Azure Cloud Cost Prediction: Monolithic and Multi-Model Approaches

Abstract

I denne bacheloroppgaven utforsker vi bruken av en monolittisk og en multimodell maskinlæringstilnærming for å forutsi priser til Azure-tjenester, med fokus på skreddersydde modeller opp mot enkeltkunder. Forskningen undersøker ulike faktorer som påvirker skypriser, for eksempel type, region, etterspørsel og markedstrender. Målet er å utforske og bestemme effektiviteten til disse maskinlæringsmodellene i sammenheng med SkyeTec AS' kundedata. Ved å utvikle nøyaktige og pålitelige modeller for prediksjon av skypriser tar studien sikte på å bidra med innsikt i området for prediksjon av skykostnader, og potensielt bidra til optimalisering av skyutgifter.

In this bachelor's thesis, we explore the use of a monolithic and a multi-model machine learning approach to predict cloud pricing for Azure services, focusing on custom-tailored models for individual customers. The research explores various factors influencing cloud prices such as type, region, demand, and market trends. The goal is to explore and determine the effectiveness of these machine learning models in the context of SkyeTec AS's customer data. By developing accurate and reliable cloud pricing prediction models, the study aims to contribute insights into the area of cloud cost prediction, potentially helping in the optimization of cloud expenses.