論文の概要: Search-based Methods for Multi-Cloud Configuration
- arxiv url: http://arxiv.org/abs/2204.09437v1
- Date: Wed, 20 Apr 2022 13:10:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-21 15:42:34.291794
- Title: Search-based Methods for Multi-Cloud Configuration
- Title(参考訳): マルチクラウド構成のための検索手法
- Authors: Ma{\l}gorzata {\L}azuka, Thomas Parnell, Andreea Anghel, Haralampos
Pozidis
- Abstract要約: 我々は、最先端クラウド構成のマルチクラウド領域への適応性を開発し、評価する。
マルチクラウド構成のための新しいアルゴリズム CloudBandit (CB) を提案する。
- 参考スコア(独自算出の注目度): 4.065502917666599
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-cloud computing has become increasingly popular with enterprises
looking to avoid vendor lock-in. While most cloud providers offer similar
functionality, they may differ significantly in terms of performance and/or
cost. A customer looking to benefit from such differences will naturally want
to solve the multi-cloud configuration problem: given a workload, which cloud
provider should be chosen and how should its nodes be configured in order to
minimize runtime or cost? In this work, we consider solutions to this
optimization problem. We develop and evaluate possible adaptations of
state-of-the-art cloud configuration solutions to the multi-cloud domain.
Furthermore, we identify an analogy between multi-cloud configuration and the
selection-configuration problems commonly studied in the automated machine
learning (AutoML) field. Inspired by this connection, we utilize popular
optimizers from AutoML to solve multi-cloud configuration. Finally, we propose
a new algorithm for solving multi-cloud configuration, CloudBandit (CB). It
treats the outer problem of cloud provider selection as a best-arm
identification problem, in which each arm pull corresponds to running an
arbitrary black-box optimizer on the inner problem of node configuration. Our
experiments indicate that (a) many state-of-the-art cloud configuration
solutions can be adapted to multi-cloud, with best results obtained for
adaptations which utilize the hierarchical structure of the multi-cloud
configuration domain, (b) hierarchical methods from AutoML can be used for the
multi-cloud configuration task and can outperform state-of-the-art cloud
configuration solutions and (c) CB achieves competitive or lower regret
relative to other tested algorithms, whilst also identifying configurations
that have 65% lower median cost and 20% lower median time in production,
compared to choosing a random provider and configuration.
- Abstract(参考訳): マルチクラウドコンピューティングは、ベンダーのロックインを避けようとする企業にますます人気になっている。
ほとんどのクラウドプロバイダは同じような機能を提供するが、パフォーマンスやコストの点で大きく異なる可能性がある。
そのような違いの恩恵を享受したい顧客は、当然、マルチクラウド構成の問題を解決する必要がある。ワークロードが与えられたら、どのクラウドプロバイダを選択し、ランタイムやコストを最小限にするためにそのノードをどのように構成すべきか?
本研究では,この最適化問題の解について考察する。
我々は、最先端のクラウド構成ソリューションのマルチクラウド領域への適応性を開発し、評価する。
さらに,マルチクラウド構成と自動機械学習(AutoML)分野においてよく研究される選択構成問題との類似点を同定する。
この接続にインスパイアされた私たちは、AutoMLの一般的なオプティマイザを使用して、マルチクラウド構成を解決する。
最後に,マルチクラウド構成のための新しいアルゴリズムであるCloudBandit(CB)を提案する。
クラウドプロバイダ選択の外部問題を、各アームプルがノード構成の内部問題に対して任意のブラックボックスオプティマイザを実行することに対応する最善のアーム識別問題として扱う。
私たちの実験は
(a)多くの最先端クラウド構成ソリューションをマルチクラウドに適用することができ、マルチクラウド構成ドメインの階層構造を利用する適応に対して最もよい結果が得られる。
b) AutoMLの階層的メソッドは、マルチクラウド設定タスクに使用することができ、最先端のクラウド構成ソリューションよりもパフォーマンスがよい。
(c)CBは他の試験アルゴリズムと比較して競争力や後悔度が低く、一方、65%の中央値コストと20%の中間値時間を持つ構成はランダムなプロバイダや構成を選択するよりも低い。
関連論文リスト
- Neural Quantile Optimization for Edge-Cloud Computing [17.57923005428252]
我々は,バースト可能な請求書に基づいて制約を満足し,コストを最小化するエッジ・クラウド・コンピューティング・ネットワークにおいて,最適なトラフィック割当方式を模索する。
本稿では,教師なし学習による最適化問題を解決するため,Gumbel-softmaxサンプリングネットワークを提案する。
トレーニングされたネットワークは、効率的なトラフィック割当スキームサンプリングとして機能し、実現可能性およびコスト関数値のランダム戦略を著しく上回る。
論文 参考訳(メタデータ) (2023-07-11T11:05:10Z) - Let the Flows Tell: Solving Graph Combinatorial Optimization Problems
with GFlowNets [86.43523688236077]
組合せ最適化(CO)問題はしばしばNPハードであり、正確なアルゴリズムには及ばない。
GFlowNetsは、複合非正規化密度を逐次サンプリングする強力な機械として登場した。
本稿では,異なる問題に対してマルコフ決定プロセス(MDP)を設計し,条件付きGFlowNetを学習して解空間からサンプルを作成することを提案する。
論文 参考訳(メタデータ) (2023-05-26T15:13:09Z) - 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) - Learning Cooperative Oversubscription for Cloud by Chance-Constrained
Multi-Agent Reinforcement Learning [40.31099670383296]
オーバーサブスクライブは、クラウドリソースの利用を改善するための一般的なプラクティスである。
本稿では,C2MARL(Cance Constrained Multi-Agent Reinforcement Learning)法を提案する。
論文 参考訳(メタデータ) (2022-11-21T07:00:09Z) - 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) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳(メタデータ) (2021-08-30T08:03:29Z) - Differentiable Convolution Search for Point Cloud Processing [114.66038862207118]
本稿では,点雲上での新しい差分畳み込み探索パラダイムを提案する。
純粋にデータ駆動型であり、幾何学的形状モデリングに適した畳み込みのグループを自動生成することができる。
また,内部畳み込みと外部アーキテクチャの同時探索のための共同最適化フレームワークを提案する。
論文 参考訳(メタデータ) (2021-08-29T14:42:03Z) - 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) - Characterizing and Optimizing EDA Flows for the Cloud [1.7731206588169939]
EDAのジョブをクラウドにデプロイするには、EDAチームがクラウド環境におけるジョブの特徴を深く理解する必要がある。
異なるEDAジョブは異なるマシン構成を必要とすることを示す。
グラフ畳み込みネットワークに基づく新しいモデルを提案し、異なるマシン構成上の特定のアプリケーションの総実行時間を予測する。
マルチチョイスナップサックマッピングを用いた擬多項式最適解を提案し,コストを35.29%削減する。
論文 参考訳(メタデータ) (2021-02-22T06:51:09Z) - Tailored Learning-Based Scheduling for Kubernetes-Oriented Edge-Cloud
System [54.588242387136376]
エッジクラウドシステムのための学習ベースのスケジューリングフレームワークkaisを紹介する。
まず,分散した要求ディスパッチに対応するために,協調型マルチエージェントアクタ-クリティックアルゴリズムを設計する。
次に,多種多様なシステムスケールと構造について,グラフニューラルネットワークを用いてシステム状態情報を埋め込む。
第3に、リクエストディスパッチとサービスオーケストレーションを調和させる2段階のスケジューリングメカニズムを採用します。
論文 参考訳(メタデータ) (2021-01-17T03:45:25Z) - Rethinking Differentiable Search for Mixed-Precision Neural Networks [83.55785779504868]
低ビット幅に量子化された重みとアクティベーションを持つ低精度ネットワークは、エッジデバイスでの推論を加速するために広く利用されている。
現在の解は均一であり、全てのフィルタに同じビット幅を使用する。
これは異なるフィルタの異なる感度を考慮せず、最適以下である。
混合精度ネットワークは、ビット幅を個々のフィルタ要求に調整することでこの問題に対処する。
論文 参考訳(メタデータ) (2020-04-13T07:02:23Z)
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。