論文の概要: Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for
Microservices using LSTM-GNN
- arxiv url: http://arxiv.org/abs/2209.02551v1
- Date: Tue, 6 Sep 2022 14:57:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-07 15:32:49.965138
- Title: Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for
Microservices using LSTM-GNN
- Title（参考訳）: Graph-PHPA:LSTM-GNNによるマイクロサービスのためのグラフベースのアクティブ水平ポッド自動スケーリング
- Authors: Hoa X. Nguyen, Shaoshu Zhu, Mingming Liu
- Abstract要約: Graph-PHPAは、クラウドリソースを割り当てるためのグラフベースのプロアクティブ自動スケーリング戦略である。
本稿では,ルールベースのリソース割り当て方式をベースラインとして,Graph-PHPAの有効性を実証する。
- 参考スコア（独自算出の注目度）: 4.4345763263216895
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microservice-based architecture has become prevalent for cloud-native
applications. With an increasing number of applications being deployed on cloud
platforms every day leveraging this architecture, more research efforts are
required to understand how different strategies can be applied to effectively
manage various cloud resources at scale. A large body of research has deployed
automatic resource allocation algorithms using reactive and proactive
autoscaling policies. However, there is still a gap in the efficiency of
current algorithms in capturing the important features of microservices from
their architecture and deployment environment, for example, lack of
consideration of graphical dependency. To address this challenge, we propose
Graph-PHPA, a graph-based proactive horizontal pod autoscaling strategy for
allocating cloud resources to microservices leveraging long short-term memory
(LSTM) and graph neural network (GNN) based prediction methods. We evaluate the
performance of Graph-PHPA using the Bookinfo microservices deployed in a
dedicated testing environment with real-time workloads generated based on
realistic datasets. We demonstrate the efficacy of Graph-PHPA by comparing it
with the rule-based resource allocation scheme in Kubernetes as our baseline.
Extensive experiments have been implemented and our results illustrate the
superiority of our proposed approach in resource savings over the reactive
rule-based baseline algorithm in different testing scenarios.
- Abstract（参考訳）: マイクロサービスベースのアーキテクチャは、クラウドネイティブなアプリケーションで普及しています。
クラウドプラットフォームに毎日デプロイされるアプリケーションが増えているため、大規模なクラウドリソースを効果的に管理するために、さまざまな戦略をどのように適用できるかを理解するために、より多くの研究が必要となる。
大規模な研究機関が、リアクティブおよび積極的なオートスケーリングポリシを使用した自動リソース割り当てアルゴリズムを導入している。
しかしながら、アーキテクチャやデプロイメント環境からマイクロサービスの重要な特徴をキャプチャする上で、現在のアルゴリズムの効率性にはまだギャップがある。
この課題に対処するため,グラフベースのプロアクティブな水平ポッド自動スケーリング戦略であるGraph-PHPAを提案し,長期記憶(LSTM)とグラフニューラルネットワーク(GNN)に基づく予測手法を利用したマイクロサービスにクラウドリソースを割り当てる。
我々は,現実的なデータセットに基づいてリアルタイムなワークロードを生成する専用テスト環境にデプロイされたBookinfoマイクロサービスを用いて,Graph-PHPAの性能を評価する。
本稿では、Kubernetesのルールベースのリソース割り当てスキームをベースラインとして、Graph-PHPAの有効性を示す。
提案手法は,様々なテストシナリオにおいて,リアクティブルールに基づくベースラインアルゴリズムよりも,リソースの節約に優れていることを示す。
関連論文リスト
- Novel Representation Learning Technique using Graphs for Performance
Analytics [0.0]
本稿では,グラフニューラルネットワーク(GNN)技術の進歩を活用するために,パフォーマンスデータをグラフに変換する新しいアイデアを提案する。
ソーシャルネットワークのような他の機械学習アプリケーションドメインとは対照的に、グラフは提供されない。
我々は,GNNから生成された埋め込みの有効性を,単純なフィードフォワードニューラルネットワークによる回帰処理の性能評価に基づいて評価した。
論文 参考訳（メタデータ） (2024-01-19T16:34:37Z) - A Microservices Identification Method Based on Spectral Clustering for
Industrial Legacy Systems [5.255685751491305]
本稿では,スペクトルグラフ理論に基づくマイクロサービス候補抽出のための自動分解手法を提案する。
提案手法は,ドメインの専門家が関与しなくても,良好な結果が得られることを示す。
論文 参考訳（メタデータ） (2023-12-20T07:47:01Z) - Online Network Source Optimization with Graph-Kernel MAB [62.6067511147939]
大規模ネットワークにおける最適なソース配置をオンラインで学習するためのグラフカーネルマルチアームバンディットアルゴリズムであるGrab-UCBを提案する。
適応グラフ辞書モデルを用いて,ネットワークプロセスを記述する。
我々は、ネットワークパラメータに依存する性能保証を導出し、シーケンシャルな意思決定戦略の学習曲線にさらに影響を及ぼす。
論文 参考訳（メタデータ） (2023-07-07T15:03:42Z) - Serving Graph Neural Networks With Distributed Fog Servers For Smart IoT
Services [23.408109000977987]
グラフニューラルネットワーク(GNN)は,グラフ構造上の潜在表現を抽出する能力に優れていたため,様々なアプリケーションへの関心が高まっている。
Fographは、IoTデータソースに近い複数のフォグノードの多様な動的リソースを活用する、分散リアルタイムGNN推論フレームワークである。
プロトタイプに基づく評価とケーススタディにより、Fographは最先端のクラウドサービスと霧の配置を最大5.39倍の高速化と6.84倍のスループット向上で大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2023-07-04T12:30:01Z) - Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。
この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。
我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文 参考訳（メタデータ） (2023-05-31T11:04:53Z) - A Unified Active Learning Framework for Annotating Graph Data with
Application to Software Source Code Performance Prediction [4.572330678291241]
ソフトウェアの性能予測を専門とする一貫したアクティブラーニングフレームワークを開発した。
能動的・受動的学習に異なるレベルの情報を用いることが与える影響について検討する。
我々のアプローチは、異なるソフトウェアパフォーマンス予測のためのAIモデルへの投資を改善することを目的としています。
論文 参考訳（メタデータ） (2023-04-06T14:00:48Z) - Partitioning Distributed Compute Jobs with Reinforcement Learning and
Graph Neural Networks [58.720142291102135]
大規模な機械学習モデルは、幅広い分野に進歩をもたらしている。
これらのモデルの多くは、単一のマシンでトレーニングするには大きすぎるため、複数のデバイスに分散する必要がある。
スループットやブロッキングレートといったユーザクリティカルな指標に対して,並列化の最大化が準最適であることを示す。
論文 参考訳（メタデータ） (2023-01-31T17:41:07Z) - EGRC-Net: Embedding-induced Graph Refinement Clustering Network [66.44293190793294]
埋め込みによるグラフリファインメントクラスタリングネットワーク (EGRC-Net) という新しいグラフクラスタリングネットワークを提案する。
EGRC-Netは学習した埋め込みを利用して初期グラフを適応的に洗練し、クラスタリング性能を向上させる。
提案手法はいくつかの最先端手法より一貫して優れている。
論文 参考訳（メタデータ） (2022-11-19T09:08:43Z) - GraphMI: Extracting Private Graph Data from Graph Neural Networks [59.05178231559796]
GNNを反転させてトレーニンググラフのプライベートグラフデータを抽出することを目的とした textbfGraph textbfModel textbfInversion attack (GraphMI) を提案する。
具体的には,グラフ特徴の空間性と滑らかさを保ちながら,グラフエッジの離散性に対処する勾配モジュールを提案する。
エッジ推論のためのグラフトポロジ、ノード属性、ターゲットモデルパラメータを効率的に活用するグラフ自動エンコーダモジュールを設計する。
論文 参考訳（メタデータ） (2021-06-05T07:07:52Z) - Learning to Continuously Optimize Wireless Resource in a Dynamic
Environment: A Bilevel Optimization Perspective [52.497514255040514]
この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。
学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。
我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
論文 参考訳（メタデータ） (2021-05-03T07:23:39Z) - Active Learning on Attributed Graphs via Graph Cognizant Logistic
Regression and Preemptive Query Generation [37.742218733235084]
本稿では,属性グラフにおけるノード分類処理のための新しいグラフベース能動学習アルゴリズムを提案する。
提案アルゴリズムは,線形化グラフ畳み込みニューラルネットワーク(GCN)と等価なグラフ認識ロジスティック回帰を用いて,予測フェーズの誤差低減を最大化する。
5つの公開ベンチマークデータセットで実験を行い、最先端のアプローチよりも大幅に改善されていることを示す。
論文 参考訳（メタデータ） (2020-07-09T18:00:53Z)
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。