論文の概要: Online Memory Leak Detection in the Cloud-based Infrastructures
- arxiv url: http://arxiv.org/abs/2101.09799v1
- Date: Sun, 24 Jan 2021 20:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-16 13:38:17.727660
- Title: Online Memory Leak Detection in the Cloud-based Infrastructures
- Title（参考訳）: クラウド基盤におけるオンラインメモリリーク検出
- Authors: Anshul Jindal, Paul Staab, Jorge Cardoso, Michael Gerndt and Vladimir
Podolskiy
- Abstract要約: クラウド上で動作する運用環境では、アプリケーションや内部オブジェクトの割り当ての詳細を知ることなく、メモリリークの検出が難しい。
本稿では,新しい機械学習アルゴリズムPrecogを導入して,この課題に対処した。
その結果,提案アルゴリズムは,仮想マシン当たりの予測時間を半秒未満で85%の精度で達成できることがわかった。
- 参考スコア（独自算出の注目度）: 0.6387263468033965
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A memory leak in an application deployed on the cloud can affect the
availability and reliability of the application. Therefore, to identify and
ultimately resolve it quickly is highly important. However, in the production
environment running on the cloud, memory leak detection is a challenge without
the knowledge of the application or its internal object allocation details.
This paper addresses this challenge of online detection of memory leaks in
cloud-based infrastructure without having any internal application knowledge by
introducing a novel machine learning based algorithm Precog. This algorithm
solely uses one metric i.e the system's memory utilization on which the
application is deployed for the detection of a memory leak. The developed
algorithm's accuracy was tested on 60 virtual machines manually labeled memory
utilization data provided by our industry partner Huawei Munich Research Center
and it was found that the proposed algorithm achieves the accuracy score of
85\% with less than half a second prediction time per virtual machine.
- Abstract（参考訳）: クラウドにデプロイされたアプリケーションのメモリリークは、アプリケーションの可用性と信頼性に影響を与える可能性がある。
したがって、それを素早く特定し、最終的に解決することは極めて重要である。
しかし、クラウド上で動作する運用環境では、アプリケーションや内部オブジェクトの割り当ての詳細を知らなくても、メモリリーク検出は難しい。
本稿では,機械学習に基づく新しいアルゴリズムプリコグを導入することにより,内部アプリケーション知識を持たないクラウドベースのインフラストラクチャにおけるメモリリークをオンラインに検出する手法を提案する。
このアルゴリズムは1つのメトリック、すなわちアプリケーションがメモリリークを検出するためにデプロイされるシステムのメモリ使用率のみを使用する。
開発したアルゴリズムの精度は,産業パートナーであるHuawei Munich Research Centerが提供した60台の仮想マシンに手動でラベル付けしたメモリ利用データを用いて検証し,提案アルゴリズムは,仮想マシン毎の予測時間を半秒以下で85%の精度を達成していることを確認した。
関連論文リスト
- NLP-based Cross-Layer 5G Vulnerabilities Detection via Fuzzing Generated
Run-Time Profiling [4.893416946078254]
本稿では,5Gスタックにおける脆弱性,意図しない創発的動作,および性能劣化を自動的に検出する革新的な手法を提案する。
srsRANをパイロットとして、ファジィテストによって生成されたログ情報(LogInfo)を介して、実行時のプロファイリングをまず高次元距離空間にマッピングする。
さらに、ロジスティック回帰(Logistic Regression)、K-Nearest Neighbors(K-Nearest Neighbors)、ランダムフォレスト(Random Forest)といった機械学習ベースの分類アルゴリズムを活用して、パフォーマンスとセキュリティ特性への影響を分類します。
論文 参考訳（メタデータ） (2023-05-14T19:07:21Z) - Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。
本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。
また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
論文 参考訳（メタデータ） (2022-05-08T02:24:43Z) - Memory Replay with Data Compression for Continual Learning [80.95444077825852]
古いトレーニングサンプルの記憶コストを低減するため,データ圧縮によるメモリリプレイを提案する。
我々はこれを、クラスインクリメンタル学習のいくつかのベンチマークと、自律運転のためのオブジェクト検出の現実的なシナリオにおいて、広範囲に検証する。
論文 参考訳（メタデータ） (2022-02-14T10:26:23Z) - Memory-guided Image De-raining Using Time-Lapse Data [83.12497916664904]
降雨物に隠れた1枚の画像から、きれいで無雨な背景のシーンを復元する作業である、単一画像デライニングの課題に対処する。
本稿では,長期雨天情報をタイムラプスデータに記録する上で,メモリネットワークに基づく新しいネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2022-01-06T01:36:59Z) - Online Self-Evolving Anomaly Detection in Cloud Computing Environments [6.480575492140354]
本稿では,クラウド信頼性保証のための自己進化型異常検出(SEAD)フレームワークを提案する。
我々のフレームワークは、新たに検証された異常記録を探索し、オンラインの異常検出を継続的に更新することによって、自己進化する。
我々の検出器は感度88.94%、平均94.60%を達成でき、実際の展開に適している。
論文 参考訳（メタデータ） (2021-11-16T05:13:38Z) - MCUNetV2: Memory-Efficient Patch-based Inference for Tiny Deep Learning [72.80896338009579]
メモリボトルネックは畳み込みニューラルネットワーク(CNN)の設計における不均衡なメモリ分布に起因する。
本稿では,ピークメモリを大幅に削減するパッチ・バイ・パッチ・推論スケジューリングを提案する。
ニューラルアーキテクチャサーチによるプロセスを自動化し、ニューラルアーキテクチャと推論スケジューリングを共同で最適化し、MCUNetV2に導いた。
論文 参考訳（メタデータ） (2021-10-28T17:58:45Z) - Continual Learning Approach for Improving the Data and Computation
Mapping in Near-Memory Processing System [3.202860612193139]
ページと計算再マッピングによるデータ配置とリソース活用を最適化する人工知能メモリマッピング方式であるAIMMを提案する。
AIMMはニューラルネットワークを使用して、強化学習アルゴリズムを使用して訓練された実行中にほぼ最適なマッピングを実現します。
本研究では,AIMMが単一および複数プログラムシナリオにおけるベースラインNMP性能を最大70%と50%向上させたことを評価した。
論文 参考訳（メタデータ） (2021-04-28T09:50:35Z) - Recognition of handwritten MNIST digits on low-memory 2 Kb RAM Arduino
board using LogNNet reservoir neural network [0.0]
LogNNet貯留層ニューラルネットワーク上に作成されたMNISTデータベースの手書き桁を認識するための提示されたアルゴリズムは、82%の認識精度に達する。
アルゴリズムの単純な構造は、適切なトレーニングとともに、医学における有害事象の早期診断のためのモバイルバイオセンサーの作成など、幅広い応用に適応することができる。
論文 参考訳（メタデータ） (2021-04-20T18:16:23Z) - Cloud detection machine learning algorithms for PROBA-V [6.950862982117125]
本論文で提示されるアルゴリズムの目的は,ピクセル当たりのクラウドフラグを正確に提示するクラウドを検出することである。
提案手法の有効性を,多数の実proba-v画像を用いて検証した。
論文 参考訳（メタデータ） (2020-12-09T18:23:59Z) - Identity-Aware Attribute Recognition via Real-Time Distributed Inference
in Mobile Edge Clouds [53.07042574352251]
我々は、MEC対応カメラ監視システムにおいて、re-IDを用いた歩行者属性認識のための新しいモデルの設計を行う。
本稿では,属性認識と人物再IDを協調的に考慮し,分散モジュールの集合を持つ新しい推論フレームワークを提案する。
そこで我々は,提案した分散推論フレームワークのモジュール分布の学習に基づくアルゴリズムを考案した。
論文 参考訳（メタデータ） (2020-08-12T12:03:27Z) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳（メタデータ） (2020-08-05T19:29:35Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。