論文の概要: Cloud Computing Concept and Roots

• arxiv url: http://arxiv.org/abs/2102.00981v2
• Date: Tue, 9 Feb 2021 19:03:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-13 11:12:15.155967
• Title: Cloud Computing Concept and Roots
• Title（参考訳）: クラウドコンピューティングの概念と根
• Authors: Bola Abimbola
• Abstract要約: クラウドコンピューティングは分散コンピューティングの特別な実装である。 スケーラビリティ、信頼性、分散透明性など、分散コンピューティングの多くの特性を継承した。 新しい処理とストレージリソースをCloudリソースプールにシームレスに追加することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud computing is a particular implementation of distributed computing. It inherited many properties of distributed computing such as scalability, reliability and distribution transparency. The transparency middle layer abstracts the underlying platform away from the end user. Virtualization technology is the foundation of Cloud computing. Virtual machine provides abstraction of the physical server resources and securely isolates different users in multi-tenant environment. To the Cloud services consumer, all the computing power and resources are accessed through high speed internet access by client platforms. This eliminates the cost to build and maintain local data center. Resource pooling and rapid elasticity are the main characters of Cloud computing. The scalability of Cloud computing comes from resources which can span multiple data centers and geographic regions. There is virtually no limitation on the amount of resources available from Cloud. New processing and storage resources can be added into the Cloud resource pool seamlessly.
• Abstract（参考訳）: クラウドコンピューティングは分散コンピューティングの特別な実装である。 スケーラビリティ、信頼性、分散透明性など、分散コンピューティングの多くの特性を継承した。 透明性中間層は基盤となるプラットフォームをエンドユーザから抽象化する。 仮想化技術はクラウドコンピューティングの基礎である。 仮想マシンは物理サーバリソースの抽象化を提供し、マルチテナント環境で異なるユーザを安全に分離する。 クラウドサービス利用者にとって、すべてのコンピューティングパワーとリソースは、クライアントプラットフォームによる高速インターネットアクセスを介してアクセスされます。 これにより、ローカルデータセンタの構築とメンテナンスのコストがなくなる。 リソースプールと迅速な弾力性がクラウドコンピューティングの主な特徴である。 クラウドコンピューティングのスケーラビリティは、複数のデータセンタと地理的リージョンにまたがるリソースから生まれる。 クラウドから利用可能なリソースの量にはほとんど制限はありません。 新しい処理とストレージリソースをCloudリソースプールにシームレスに追加することができる。

関連論文リスト

• Dynamic Resource Allocation for Virtual Machine Migration Optimization using Machine Learning [17.423579410846695]
  段落は文法的に正確で論理的に一貫性がある。 これは、効率的なデータアクセスとストレージの必要性と、追加の時間遅延を防ぐためのクラウドコンピューティングマイグレーション技術の利用を強調している。
  論文  参考訳（メタデータ） (2024-03-20T14:13:44Z)
• Application of Machine Learning Optimization in Cloud Computing Resource Scheduling and Management [18.462300407761873]
  中国のクラウドコンピューティングの規模は209億元に達した。 本稿では,クラウドコンピューティング資源のスケジューリングと管理において,複雑な問題を解くための革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-27T05:14:27Z)
• Computing in the Era of Large Generative Models: From Cloud-Native to AI-Native [46.7766555589807]
  クラウドネイティブ技術と高度な機械学習推論の両方のパワーを利用するAIネイティブコンピューティングパラダイムについて説明する。 これらの共同作業は、コスト・オブ・グッド・ソード(COGS)を最適化し、資源のアクセシビリティを向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-01-17T20:34:11Z)
• Scaling Data Science Solutions with Semantics and Machine Learning: Bosch Case [8.445414390004636]
  SemCloudはセマンティックスに強化されたクラウドシステムで、セマンティック技術と機械学習を備えている。 このシステムは、何百万ものデータ、何千もの繰り返し実行、ドメインユーザによる産業ユースケースで評価され、有望な結果を示している。
  論文  参考訳（メタデータ） (2023-08-02T11:58:30Z)
• How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
  代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。 スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
  論文  参考訳（メタデータ） (2023-06-05T18:17:37Z)
• Managing Cold-start in The Serverless Cloud with Temporal Convolutional Networks [0.0]
  サーバレスクラウドは革新的なクラウドサービスモデルであり、多くのクラウド管理業務から顧客を解放します。 サーバーレスクラウドのパフォーマンスに対する大きな脅威はコールドスタートであり、顧客の要求に応えるために必要なクラウドリソースをプロビジョニングするとき、サービスプロバイダや/または顧客に受け入れられないコストが発生する。 本稿では、サーバーレスクラウドスタックのインフラストラクチャおよびファンクションレベルにおけるコールドスタート問題に対処する、新しい低結合・高結合アンサンブルポリシーを提案する。
  論文  参考訳（メタデータ） (2023-04-01T21:54:22Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
  本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。 私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
  論文  参考訳（メタデータ） (2021-08-30T08:03:29Z)
• Machine Learning (ML)-Centric Resource Management in Cloud Computing: A Review and Future Directions [22.779373079539713]
  インフラストラクチャ・アズ・ア・サービス(I)は、最も重要かつ急速に成長する分野の1つです。 私のクラウドコンピューティングの最も重要な側面の1つは、リソース管理です。 機械学習は、さまざまなリソース管理タスクを処理するために使用されます。
  論文  参考訳（メタデータ） (2021-05-09T08:03:58Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。