論文の概要: DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud
environments using Deep Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2110.15702v1
- Date: Fri, 29 Oct 2021 12:10:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-01 19:01:33.710822
- Title: DeF-DReL: Systematic Deployment of Serverless Functions in Fog and Cloud
environments using Deep Reinforcement Learning
- Title（参考訳）: DeF-DReL: 深層強化学習を用いたフォッグとクラウド環境におけるサーバレス機能のシステム展開
- Authors: Chinmaya Kumar Dehurya, Shivananda Poojaraa, Shridhar Domanalb, Satish
Narayana Srirama
- Abstract要約: Fog環境は、サーバーレスアプリケーションをデプロイするために、限られたリソースを多数のユーザに提供した。
最近の研究は、主に霧のノードからそのようなアプリケーションに最大限のリソースを割り当てることに焦点を当てており、クラウド環境を最大限に活用していない。
我々は,DeF-DReLを提案する。DeF-DReLは,Deep Reinforcement Learningを用いて,フォッグおよびクラウド環境におけるサーバレス関数のシステム展開を行う。
- 参考スコア（独自算出の注目度）: 8.204696165200577
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fog computing is introduced by shifting cloud resources towards the users'
proximity to mitigate the limitations possessed by cloud computing. Fog
environment made its limited resource available to a large number of users to
deploy their serverless applications, composed of several serverless functions.
One of the primary intentions behind introducing the fog environment is to
fulfil the demand of latency and location-sensitive serverless applications
through its limited resources. The recent research mainly focuses on assigning
maximum resources to such applications from the fog node and not taking full
advantage of the cloud environment. This introduces a negative impact in
providing the resources to a maximum number of connected users. To address this
issue, in this paper, we investigated the optimum percentage of a user's
request that should be fulfilled by fog and cloud. As a result, we proposed
DeF-DReL, a Systematic Deployment of Serverless Functions in Fog and Cloud
environments using Deep Reinforcement Learning, using several real-life
parameters, such as distance and latency of the users from nearby fog node,
user's priority, the priority of the serverless applications and their resource
demand, etc. The performance of the DeF-DReL algorithm is further compared with
recent related algorithms. From the simulation and comparison results, its
superiority over other algorithms and its applicability to the real-life
scenario can be clearly observed.
- Abstract（参考訳）: フォグコンピューティングは、クラウドコンピューティングが持つ制限を緩和するために、クラウドリソースをユーザの近さに移すことによって導入される。
fog環境は、複数のサーバレス機能で構成されるサーバーレスアプリケーションをデプロイするために、限られたリソースを多数のユーザに提供した。
フォグ環境を導入する主な目的の1つは、限られたリソースを通じてレイテンシとロケーションに敏感なサーバレスアプリケーションの需要を満たすことである。
最近の研究は主に、クラウド環境を十分に活用せず、フォグノードからアプリケーションへの最大リソースの割り当てに焦点を当てている。
これにより、最大接続ユーザ数にリソースを提供する上で、負の影響がもたらされる。
そこで本研究では,霧と雲で満たすべきユーザの要求の最適割合について検討した。
その結果,近接フォグノードからのユーザの距離とレイテンシ,ユーザのプライオリティ,サーバレスアプリケーションの優先度,リソース要求など,いくつかの実生活パラメータを用いた,深い強化学習を用いたフォグおよびクラウド環境におけるサーバレス機能の体系的展開であるdef-drelを提案した。
DeF-DReLアルゴリズムの性能は最近の関連するアルゴリズムと比較した。
シミュレーションと比較結果から,他のアルゴリズムよりも優れていること,実生活シナリオへの適用性は明らかである。
関連論文リスト
- Parameter-Efficient Fine-Tuning in Spectral Domain for Point Cloud Learning [49.91297276176978]
私たちは小説を提案します。
ポイントGST (Point GST) と呼ばれる点雲の効率的な微細調整法。
ポイントGSTは事前トレーニングされたモデルを凍結し、スペクトル領域のパラメータを微調整するためのトレーニング可能なポイントクラウドスペクトルアダプタ(PCSA)を導入する。
挑戦的なポイントクラウドデータセットに関する大規模な実験は、ポイントGSTが完全に微調整されたデータセットを上回るだけでなく、トレーニング可能なパラメータを大幅に削減することを示した。
論文 参考訳（メタデータ） (2024-10-10T17:00:04Z) - SeBS-Flow: Benchmarking Serverless Cloud Function Workflows [51.4200085836966]
本稿では、最初のサーバーレスワークフローベンチマークスイートSeBS-Flowを提案する。
SeBS-Flowには6つの実世界のアプリケーションベンチマークと、異なる計算パターンを表す4つのマイクロベンチマークが含まれている。
当社では,パフォーマンス,コスト,スケーラビリティ,ランタイムの偏差など,3つの主要なクラウドプラットフォームに関する包括的な評価を実施しています。
論文 参考訳（メタデータ） (2024-10-04T14:52:18Z) - SPES: Towards Optimizing Performance-Resource Trade-Off for Serverless Functions [31.01399126339857]
サーバーレスコンピューティングは、その効率性とオンデマンドのクラウドリソースを活用する能力によって、勢いを増している。
既存のソリューションでは、完全な呼び出しパターンを使わずに関数のプリロード/アンロードのために、過剰に単純化された戦略を使う傾向があります。
本研究では、サーバーレス関数のプロビジョニングを最適化することにより、実行時コールドスタート緩和のための最初の差別化スケジューラであるSPESを提案する。
論文 参考訳（メタデータ） (2024-03-26T10:28:41Z) - Toward a real-time TCP SYN Flood DDoS mitigation using Adaptive Neuro-Fuzzy classifier and SDN Assistance in Fog Computing [0.31318403497744784]
本稿では,適応型ニューロファジィ推論システム(ANFIS)とSDN(Software Defined Networking)アシスタンス(FASA)を用いたフォグコンピューティングによるシンフラッドDDoS攻撃の軽減を提案する。
シミュレーションの結果、FASAシステムは精度、精度、リコール、F1スコアで他のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2023-11-27T08:54:00Z) - Point Cloud Pre-training with Diffusion Models [62.12279263217138]
我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。
PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
論文 参考訳（メタデータ） (2023-11-25T08:10:05Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - Benchmarking Function Hook Latency in Cloud-Native Environments [0.5188841610098435]
クラウドネイティブなアプリケーションは、動的にパッチを当てたり、フックしたりすることで、実行時にインスツルメンテーションしたり、変更されることが多い。
本稿では,これらのリスクを軽減し,不適切な実験装置が遅延測定に悪影響を及ぼすことを示す。
論文 参考訳（メタデータ） (2023-10-19T12:54:32Z) - 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) - Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。
対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
論文 参考訳（メタデータ） (2022-07-07T03:23:04Z) - Computation Offloading and Resource Allocation in F-RANs: A Federated
Deep Reinforcement Learning Approach [67.06539298956854]
フォグ無線アクセスネットワーク(フォグ無線アクセスネットワーク、F-RAN)は、ユーザのモバイルデバイス(MD)が計算タスクを近くのフォグアクセスポイント(F-AP)にオフロードできる有望な技術である。
論文 参考訳（メタデータ） (2022-06-13T02:19:20Z) - Cloud Collectives: Towards Cloud-aware Collectives forML Workloads with
Rank Reordering [8.81194405760133]
Cloud Collectivesは、参加するフレームワークの並べ替えによって集合を加速するプロトタイプである。
Collectivesは非侵襲的であり、コードの変更も既存のアプリケーションの再構築も必要とせず、クラウドプロバイダのサポートなしで動作します。
パブリッククラウドでのアレーダ操作に対するCloud Collectivesの予備的な応用は、複数のマイクロベンチマークで最大3.7倍、実際のワークロードで1.3倍のスピードアップをもたらす。
論文 参考訳（メタデータ） (2021-05-28T20:14:38Z)
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。