論文の概要: Optimal Probing with Statistical Guarantees for Network Monitoring at Scale

• arxiv url: http://arxiv.org/abs/2109.07743v1
• Date: Thu, 16 Sep 2021 06:28:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-17 14:11:51.002947
• Title: Optimal Probing with Statistical Guarantees for Network Monitoring at Scale
• Title（参考訳）: 大規模ネットワーク監視のための統計的保証を用いた最適探索
• Authors: Muhammad Jehangir Amjad, Christophe Diot, Dimitris Konomis, Branislav Kveton, Augustin Soule, and Xiaolong Yang
• Abstract要約: クラウドネットワークは急速に成長し、監視の予算が限られているため、監視が難しい。 本稿では,レイテンシやパケット損失などのネットワークメトリクスを推定するためのフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.735691680179169
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud networks are difficult to monitor because they grow rapidly and the budgets for monitoring them are limited. We propose a framework for estimating network metrics, such as latency and packet loss, with guarantees on estimation errors for a fixed monitoring budget. Our proposed algorithms produce a distribution of probes across network paths, which we then monitor; and are based on A- and E-optimal experimental designs in statistics. Unfortunately, these designs are too computationally costly to use at production scale. We propose their scalable and near-optimal approximations based on the Frank-Wolfe algorithm. We validate our approaches in simulation on real network topologies, and also using a production probing system in a real cloud network. We show major gains in reducing the probing budget compared to both production and academic baselines, while maintaining low estimation errors, even with very low probing budgets.
• Abstract（参考訳）: クラウドネットワークは急速に成長し、監視の予算が限られているため、監視が難しい。 本稿では,監視予算の固定化による推定誤差を保証し,遅延やパケットロスなどのネットワーク指標を推定するためのフレームワークを提案する。 提案アルゴリズムは,ネットワーク経路にまたがるプローブの分布を計測し,統計学におけるA-およびE-最適実験設計に基づく。 残念ながら、これらの設計は生産規模で使うには計算コストがかかりすぎる。 我々はfrank-wolfeアルゴリズムに基づくスケーラブルで近似に近い近似を提案する。 実際のネットワークトポロジ上でのシミュレーションや,実クラウドネットワークにおける実運用検出システムを用いたシミュレーションのアプローチを検証する。 調査予算が極めて低い場合でも,推定誤差を低く抑えつつ,生産ベースラインと学術ベースラインの両方と比較して,調査予算の削減に大きな効果を示す。

関連論文リスト

• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Optimization Guarantees of Unfolded ISTA and ADMM Networks With Smooth Soft-Thresholding [57.71603937699949]
  我々は,学習エポックの数の増加とともに,ほぼゼロに近いトレーニング損失を達成するための最適化保証について検討した。 トレーニングサンプル数に対する閾値は,ネットワーク幅の増加とともに増加することを示す。
  論文  参考訳（メタデータ） (2023-09-12T13:03:47Z)
• Low Complexity Adaptive Machine Learning Approaches for End-to-End Latency Prediction [0.0]
  この研究は、予測、監視、予測のための効率的で低コストな適応アルゴリズムの設計である。 我々は,GNNにおける近年の国際的課題の後に提供されたパブリックジェネレータから得られるデータに対して,我々のアプローチと結果を説明するために,エンドツーエンドの遅延予測に焦点を当てた。
  論文  参考訳（メタデータ） (2023-01-31T10:29:11Z)
• ZigZag: Universal Sampling-free Uncertainty Estimation Through Two-Step Inference [54.17205151960878]
  汎用的でデプロイが容易なサンプリング不要のアプローチを導入します。 我々は,最先端手法と同等の信頼性のある不確実性推定を,計算コストを著しく低減した形で生成する。
  論文  参考訳（メタデータ） (2022-11-21T13:23:09Z)
• Model Architecture Adaption for Bayesian Neural Networks [9.978961706999833]
  我々はBNNを精度と不確実性の両方に最適化する新しいネットワークアーキテクチャサーチ(NAS)を示す。 我々の実験では,探索されたモデルでは,最先端(ディープアンサンブル)と比較して,不確実性と精度が比較できる。
  論文  参考訳（メタデータ） (2022-02-09T10:58:50Z)
• High-Dimensional Inference over Networks: Linear Convergence and Statistical Guarantees [20.701475313495884]
  エージェントネットワーク上の疎線形回帰を非指向グラフとしてモデル化し,サーバノードを持たない。 分布予測勾配追跡に基づくアルゴリズムの収束率と統計的保証を解析する。
  論文  参考訳（メタデータ） (2022-01-21T01:26:08Z)
• CPNet: Cross-Parallel Network for Efficient Anomaly Detection [20.84973451610082]
  ここでは、性能低下を伴わない計算を最小化するために、効率的な異常検出のためのクロスパラレルネットワーク(CPNet)を提案する。 ネットワーク間シフトモジュールは、シーケンシャルフレーム間の時間的関係をキャプチャして、より正確な将来の予測を可能にする。
  論文  参考訳（メタデータ） (2021-08-10T05:29:37Z)
• 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)
• Efficient Computation Reduction in Bayesian Neural Networks Through Feature Decomposition and Memorization [10.182119276564643]
  本稿では,計算コストを削減するため,効率的なBNN推論フローを提案する。 計算の約半分は従来の手法と比べて取り除くことができる。 We implement our approach in Verilog and synthesise it with 45 $nm$ FreePDK technology。
  論文  参考訳（メタデータ） (2020-05-08T05:03:04Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)
• Being Bayesian, Even Just a Bit, Fixes Overconfidence in ReLU Networks [65.24701908364383]
  我々は、ReLUネットワーク上の不確実性に対する十分条件が「少しベイズ校正される」ことを示す。 さらに,これらの知見を,共通深部ReLUネットワークとLaplace近似を用いた各種標準実験により実証的に検証した。
  論文  参考訳（メタデータ） (2020-02-24T08:52:06Z)

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。