論文の概要: Machine Learning-based Orchestration of Containers: A Taxonomy and
Future Directions
- arxiv url: http://arxiv.org/abs/2106.12739v1
- Date: Thu, 24 Jun 2021 02:55:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-26 04:45:39.057745
- Title: Machine Learning-based Orchestration of Containers: A Taxonomy and
Future Directions
- Title（参考訳）: 機械学習によるコンテナのオーケストレーション:分類と今後の展開
- Authors: Zhiheng Zhong, Minxian Xu, Maria Alejandra Rodriguez, Chengzhong Xu,
and Rajkumar Buyya
- Abstract要約: 既存のメインストリームのクラウドサービスプロバイダは、自動化されたアプリケーション管理のために、分散システムインフラストラクチャにコンテナテクノロジを広く採用しています。
コンテナ化されたアプリケーションのデプロイ、メンテナンス、自動スケーリング、ネットワークの自動化を扱うために、コンテナオーケストレーションが重要な研究課題として提案されている。
本稿では,既存の機械学習ベースのコンテナオーケストレーション手法について概観する。
- 参考スコア（独自算出の注目度）: 25.763692543206773
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Containerization is a lightweight application virtualization technology,
providing high environmental consistency, operating system distribution
portability, and resource isolation. Existing mainstream cloud service
providers have prevalently adopted container technologies in their distributed
system infrastructures for automated application management. To handle the
automation of deployment, maintenance, autoscaling, and networking of
containerized applications, container orchestration is proposed as an essential
research problem. However, the highly dynamic and diverse feature of cloud
workloads and environments considerably raises the complexity of orchestration
mechanisms. Machine learning algorithms are accordingly employed by container
orchestration systems for behavior modelling and prediction of
multi-dimensional performance metrics. Such insights could further improve the
quality of resource provisioning decisions in response to the changing
workloads under complex environments. In this paper, we present a comprehensive
literature review of existing machine learning-based container orchestration
approaches. Detailed taxonomies are proposed to classify the current researches
by their common features. Moreover, the evolution of machine learning-based
container orchestration technologies from the year 2016 to 2021 has been
designed based on objectives and metrics. A comparative analysis of the
reviewed techniques is conducted according to the proposed taxonomies, with
emphasis on their key characteristics. Finally, various open research
challenges and potential future directions are highlighted.
- Abstract（参考訳）: コンテナ化は軽量なアプリケーション仮想化技術であり、高い環境整合性、オペレーティングシステムの分散ポータビリティ、リソース分離を提供する。
既存の主流のクラウドサービスプロバイダは、自動化されたアプリケーション管理のために、分散システムインフラストラクチャにコンテナ技術を採用しています。
コンテナ化されたアプリケーションのデプロイ、メンテナンス、自動スケーリング、ネットワークの自動化を扱うため、コンテナオーケストレーションは重要な研究課題として提案されている。
しかし、クラウドワークロードと環境の非常にダイナミックで多様な機能は、オーケストレーションメカニズムの複雑さを大幅に高める。
機械学習アルゴリズムはコンテナオーケストレーションシステムによって、振る舞いモデリングと多次元パフォーマンスメトリクスの予測に使用される。
このような洞察は、複雑な環境下でのワークロードの変化に対応するため、リソースプロビジョニング決定の品質をさらに向上する可能性がある。
本稿では,既存の機械学習に基づくコンテナオーケストレーションアプローチに関する総合的な文献レビューを行う。
それらの共通特徴から現在の研究を分類するために, 詳細な分類法が提案されている。
さらに、2016年から2021年までのマシンラーニングベースのコンテナオーケストレーション技術の進化は、目標とメトリクスに基づいて設計されている。
提案した分類学に基づいて, レビュー手法の比較分析を行い, 重要な特徴に焦点をあてた。
最後に、様々なオープンリサーチの課題と今後の方向性を強調する。
関連論文リスト
- A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - A Survey of Serverless Machine Learning Model Inference [0.0]
ジェネレーティブAI、コンピュータビジョン、自然言語処理は、AIモデルをさまざまな製品に統合するきっかけとなった。
本調査は,大規模ディープラーニングサービスシステムにおける新たな課題と最適化の機会を要約し,分類することを目的としている。
論文 参考訳（メタデータ） (2023-11-22T18:46:05Z) - Hybrid Algorithm Selection and Hyperparameter Tuning on Distributed
Machine Learning Resources: A Hierarchical Agent-based Approach [0.0]
本稿では,分散された機械学習アルゴリズムを選択するための,完全自動協調型エージェントベース機構を提案する。
我々の解は完全に正解であり、利用可能な資源の大きさに関連して線形時間と空間の複雑さを示す。
論文 参考訳（メタデータ） (2023-09-12T21:07:23Z) - Towards a Dynamic Composability Approach for using Heterogeneous Systems
in Remote Sensing [0.0]
本稿では,科学計算,人工知能(AI),リモートセンシング領域の共通部分において,構成可能なシステムを利用するための新しいアプローチを提案する。
我々は,NSFが出資するスーパーコンピュータであるExpanseを,地理的分散クラスタであるNautilusとフェデレートする,構成可能なインフラストラクチャの最初の実例のアーキテクチャについて述べる。
論文 参考訳（メタデータ） (2022-11-13T14:48:00Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Automated Machine Learning Techniques for Data Streams [91.3755431537592]
本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。
この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
論文 参考訳（メタデータ） (2021-06-14T11:42:46Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Modular approach to data preprocessing in ALOHA and application to a
smart industry use case [0.0]
データ前処理と変換パイプラインをサポートするために、ALOHAツールフローに統合されたモジュラーアプローチに対処する。
提案手法の有効性を示すために,キーワードスポッティングのユースケースに関する実験結果を示す。
論文 参考訳（メタデータ） (2021-02-02T06:48:51Z) - Technology Readiness Levels for Machine Learning Systems [107.56979560568232]
機械学習システムの開発とデプロイは、現代のツールで簡単に実行できますが、プロセスは一般的に急ぎ、エンドツーエンドです。
私たちは、機械学習の開発と展開のための実証済みのシステムエンジニアリングアプローチを開発しました。
当社の「機械学習技術準備レベル」フレームワークは、堅牢で信頼性が高く、責任あるシステムを確保するための原則的なプロセスを定義します。
論文 参考訳（メタデータ） (2021-01-11T15:54:48Z)
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。