論文の概要: Towards Intelligent Load Balancing in Data Centers

• arxiv url: http://arxiv.org/abs/2110.15788v1
• Date: Wed, 27 Oct 2021 12:47:30 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-01 15:07:59.194992
• Title: Towards Intelligent Load Balancing in Data Centers
• Title（参考訳）: データセンターにおけるインテリジェントロードバランシングを目指して
• Authors: Zhiyuan Yao, Yoann Desmouceaux, Mark Townsley, Thomas Heide Clausen
• Abstract要約: 本稿では,機械学習とネットワークシステムのギャップを埋めるため,Aquariusを提案する。 オフラインデータ分析とオンラインモデル展開の両方を現実的なシステムで実行する能力を示している。
• 参考スコア（独自算出の注目度）: 0.5505634045241288
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Network load balancers are important components in data centers to provide scalable services. Workload distribution algorithms are based on heuristics, e.g., Equal-Cost Multi-Path (ECMP), Weighted-Cost Multi-Path (WCMP) or naive machine learning (ML) algorithms, e.g., ridge regression. Advanced ML-based approaches help achieve performance gain in different networking and system problems. However, it is challenging to apply ML algorithms on networking problems in real-life systems. It requires domain knowledge to collect features from low-latency, high-throughput, and scalable networking systems, which are dynamic and heterogenous. This paper proposes Aquarius to bridge the gap between ML and networking systems and demonstrates its usage in the context of network load balancers. This paper demonstrates its ability of conducting both offline data analysis and online model deployment in realistic systems. The results show that the ML model trained and deployed using Aquarius improves load balancing performance yet they also reveals more challenges to be resolved to apply ML for networking systems.
• Abstract（参考訳）: ネットワークロードバランサは,スケーラブルなサービスを提供する上で,データセンタの重要なコンポーネントである。 ワークロード分散アルゴリズムは、例えば、Equal-Cost Multi-Path (ECMP)、Weighted-Cost Multi-Path (WCMP)、Naive Machine Learning (ML)アルゴリズムなどのヒューリスティックスに基づいている。 高度なMLベースのアプローチは、さまざまなネットワークやシステム問題のパフォーマンス向上に役立つ。 しかし,実生活システムにおけるネットワーク問題にmlアルゴリズムを適用することは困難である。 動的で異質な低レイテンシ、高スループット、スケーラブルなネットワークシステムから機能を集めるには、ドメイン知識が必要です。 本稿では,mlとネットワークシステムのギャップを橋渡しするaquariusを提案し,ネットワークロードバランサの文脈での利用例を示す。 本稿では,実システムにおけるオフラインデータ解析とオンラインモデル展開の両立を実証する。 その結果、Aquariusを使用してトレーニングおよびデプロイされたMLモデルは、ロードバランシング性能を改善する一方で、ネットワークシステムにMLを適用する上で解決すべき課題も明らかにした。

関連論文リスト

• Flexible Payload Configuration for Satellites using Machine Learning [33.269035910233704]
  現在のGEOシステムは、周波数使用率の少ないマルチビームフットプリントを用いて、ビームに電力と帯域幅を均一に分散している。 近年の研究では、不均一な交通シナリオにおけるこのアプローチの限界が明らかにされており、非効率性につながっている。 本稿では、無線リソース管理(RRM)に対する機械学習(ML)に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-10-18T13:45:17Z)
• A Multi-Head Ensemble Multi-Task Learning Approach for Dynamical Computation Offloading [62.34538208323411]
  共有バックボーンと複数の予測ヘッド(PH)を組み合わせたマルチヘッドマルチタスク学習(MEMTL)手法を提案する。 MEMTLは、追加のトレーニングデータを必要とせず、推測精度と平均平方誤差の両方でベンチマーク手法より優れている。
  論文  参考訳（メタデータ） (2023-09-02T11:01:16Z)
• Learning Distributed and Fair Policies for Network Load Balancing as Markov Potentia Game [4.892398873024191]
  本稿では、複数のロードバランサ(LB)を配置するデータセンター(DC)におけるネットワーク負荷分散問題について検討する。 この問題の課題は、異種処理アーキテクチャと動的環境から成り立っている。 マルチエージェント負荷分散問題をマルコフポテンシャルゲームとして定式化し、そのポテンシャル関数としてのワークロード分布の公平さを慎重に適切に設計する。 ゲームのナッシュ平衡を近似するために,完全分散MARLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-06-03T08:29:02Z)
• Collaborative Intelligent Reflecting Surface Networks with Multi-Agent Reinforcement Learning [63.83425382922157]
  インテリジェント・リフレクション・サーフェス(IRS)は将来の無線ネットワークに広く応用されることが想定されている。 本稿では,エネルギー収穫能力を備えた協調型IRSデバイスを用いたマルチユーザ通信システムについて検討する。
  論文  参考訳（メタデータ） (2022-03-26T20:37:14Z)
• Multi-Agent Reinforcement Learning for Network Load Balancing in Data Center [4.141301293112916]
  本稿では,強化学習における実世界の課題であるネットワーク負荷分散問題を提案する。 協調的ネットワーク負荷分散タスクはDec-POMDP問題として定式化され、MARL法を自然に誘導する。 学習に基づく手法を適用するための現実的ギャップを埋めるために、エミュレーションシステム上で、すべての手法を直接訓練し評価する。
  論文  参考訳（メタデータ） (2022-01-27T18:47:59Z)
• Efficient Model-Based Multi-Agent Mean-Field Reinforcement Learning [89.31889875864599]
  マルチエージェントシステムにおける学習に有効なモデルベース強化学習アルゴリズムを提案する。 我々の理論的な貢献は、MFCのモデルベース強化学習における最初の一般的な後悔の限界である。 コア最適化問題の実用的なパラメトリゼーションを提供する。
  論文  参考訳（メタデータ） (2021-07-08T18:01:02Z)
• Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with Heterogeneous Learning Tasks [53.1636151439562]
  モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。 再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。 具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
  論文  参考訳（メタデータ） (2020-12-25T07:08:50Z)
• Optimization-driven Machine Learning for Intelligent Reflecting Surfaces Assisted Wireless Networks [82.33619654835348]
  インテリジェントサーフェス(IRS)は、個々の散乱素子の位相シフトを制御して無線チャネルを再形成するために用いられる。 散乱素子の規模が大きいため、受動ビームフォーミングは一般に高い計算複雑性によって挑戦される。 本稿では、IRS支援無線ネットワークの性能向上のための機械学習(ML)アプローチに焦点を当てる。
  論文  参考訳（メタデータ） (2020-08-29T08:39:43Z)
• Machine Learning for Intelligent Optical Networks: A Comprehensive Survey [9.947717243638289]
  コミュニケーションネットワークにおけるインテリジェンス向上は必須であり、人工知能(AI)と機械学習(ML)を取り入れている側面もいくつかある。 本稿では,知的光ネットワークにおけるMLの既存応用に関する詳細な調査を行う。 MLの応用は、光学ネットワーク制御と資源管理に分類され、光学ネットワークの監視と生存可能性に分類される。
  論文  参考訳（メタデータ） (2020-03-11T13:51:38Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。