論文の概要: Predictive Auto-scaling with OpenStack Monasca

• arxiv url: http://arxiv.org/abs/2111.02133v1
• Date: Wed, 3 Nov 2021 11:02:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-04 18:57:26.885937
• Title: Predictive Auto-scaling with OpenStack Monasca
• Title（参考訳）: OpenStack Monascaによる予測自動スケーリング
• Authors: Giacomo Lanciano, Filippo Galli, Tommaso Cucinotta, Davide Bacciu, Andrea Passarella
• Abstract要約: 近日中にシステムが進化すると予想される状況に基づいて,クラウドサービスを自動スケーリングするアーキテクチャを提案する。 私たちは、Monascaが提供するモニタリング機能に依存し、拡張するオープンソースコンポーネントとして、私たちのアプローチをプロトタイプにしました。
• 参考スコア（独自算出の注目度）: 8.631793985356286
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Cloud auto-scaling mechanisms are typically based on reactive automation rules that scale a cluster whenever some metric, e.g., the average CPU usage among instances, exceeds a predefined threshold. Tuning these rules becomes particularly cumbersome when scaling-up a cluster involves non-negligible times to bootstrap new instances, as it happens frequently in production cloud services. To deal with this problem, we propose an architecture for auto-scaling cloud services based on the status in which the system is expected to evolve in the near future. Our approach leverages on time-series forecasting techniques, like those based on machine learning and artificial neural networks, to predict the future dynamics of key metrics, e.g., resource consumption metrics, and apply a threshold-based scaling policy on them. The result is a predictive automation policy that is able, for instance, to automatically anticipate peaks in the load of a cloud application and trigger ahead of time appropriate scaling actions to accommodate the expected increase in traffic. We prototyped our approach as an open-source OpenStack component, which relies on, and extends, the monitoring capabilities offered by Monasca, resulting in the addition of predictive metrics that can be leveraged by orchestration components like Heat or Senlin. We show experimental results using a recurrent neural network and a multi-layer perceptron as predictor, which are compared with a simple linear regression and a traditional non-predictive auto-scaling policy. However, the proposed framework allows for the easy customization of the prediction policy as needed.
• Abstract（参考訳）: クラウドの自動スケーリングメカニズムは一般的に、何らかのメトリクス、例えばインスタンスの平均CPU使用率が予め定義されたしきい値を超えると、クラスタをスケールするリアクティブ自動化ルールに基づいている。 クラスタのスケールアップには、本番クラウドサービスで頻繁に発生するように、新しいインスタンスをブートストラップする非無視の時間が必要になります。 この問題に対処するため,我々は近日中にシステムが進化すると予想される状況に基づいて,クラウドサービスを自動スケーリングするアーキテクチャを提案する。 このアプローチでは,機械学習やニューラルネットワークをベースとした時系列予測技術を活用して,リソース消費指標などの主要なメトリクスの将来のダイナミクスを予測し,しきい値ベースのスケーリングポリシを適用する。 その結果、例えば、クラウドアプリケーションの負荷のピークを自動的に予測し、予想されるトラフィックの増加に対応する適切なスケーリングアクションを事前にトリガーすることができる予測自動化ポリシが生まれます。 私たちは、Monascaが提供する監視機能に依存するオープンソースのOpenStackコンポーネントとして、私たちのアプローチをプロトタイプ化し、その結果、HeatやSenlinといったオーケストレーションコンポーネントによって活用可能な予測メトリクスが追加されました。 本研究では,リカレントニューラルネットワークと多層パーセプトロンを予測器として,単純な線形回帰と従来の非予測オートスケーリングポリシと比較した実験結果を示す。 しかし,提案フレームワークにより,必要に応じて予測ポリシーのカスタマイズが容易になる。

関連論文リスト

• An Adaptive Framework for Generalizing Network Traffic Prediction towards Uncertain Environments [51.99765487172328]
  我々は,モバイルネットワークトラフィック予測モデルを動的に割り当てるための時系列解析を用いた新しいフレームワークを開発した。 我々のフレームワークは学習した振る舞いを採用しており、現在の研究と比較して50%以上の改善が得られ、どのモデルよりも優れています。
  論文  参考訳（メタデータ） (2023-11-30T18:58:38Z)
• Cluster-and-Conquer: A Framework For Time-Series Forecasting [94.63501563413725]
  本稿では,高次元時系列データを予測するための3段階フレームワークを提案する。 当社のフレームワークは非常に汎用的で,各ステップで時系列予測やクラスタリングが利用可能です。 単純な線形自己回帰モデルでインスタンス化されると、いくつかのベンチマークデータセットで最先端の結果が得られる。
  論文  参考訳（メタデータ） (2021-10-26T20:41:19Z)
• onlineforecast: An R package for adaptive and recursive forecasting [1.2647816797166165]
  R package onlineforecastは、オンライン予測のためのデータとモデルの一般的なセットアップを提供する。 線形回帰に基づくモデルの時間適応的なフィッティング機能を備えている。 このパッケージには、総合的なウィグレットと、エネルギーシステムにおけるオンライン予測アプリケーションの例が付属している。
  論文  参考訳（メタデータ） (2021-09-27T10:01:35Z)
• Click-through Rate Prediction with Auto-Quantized Contrastive Learning [46.585376453464114]
  ユーザ行動が予測の利益を捉えるのに十分リッチかどうかを考察し、モデルを正規化するためのAQCL(Auto-Quantized Contrastive Learning)損失を提案する。 提案されたフレームワークは、異なるモデルアーキテクチャに非依存であり、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-09-27T04:39:43Z)
• 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)
• A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
  Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。 顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
  論文  参考訳（メタデータ） (2020-10-10T17:35:55Z)
• Superiority of Simplicity: A Lightweight Model for Network Device Workload Prediction [58.98112070128482]
  本稿では,歴史観測に基づく時系列予測のための軽量な解を提案する。 ニューラルネットワークと平均予測器という2つのモデルからなる異種アンサンブル法で構成されている。 利用可能なFedCSIS 2020チャレンジデータセットの総合的なR2$スコア0.10を達成している。
  論文  参考訳（メタデータ） (2020-07-07T15:44:16Z)
• AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
  本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。 最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。 さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
  論文  参考訳（メタデータ） (2020-06-24T23:13:11Z)
• AI-based Resource Allocation: Reinforcement Learning for Adaptive Auto-scaling in Serverless Environments [0.0]
  近年、サーバーレスコンピューティングはクラウドコンピューティングモデルの魅力的な新しいパラダイムとして現れています。 商用およびオープンソースのサーバレスコンピューティングプラットフォームに共通するアプローチは、ワークロードベースの自動スケーリングである。 本稿では、サーバーレスフレームワークにおける要求ベース自動スケーリングに対する強化学習アプローチの適用性について検討する。
  論文  参考訳（メタデータ） (2020-05-29T06:18:39Z)

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。