論文の概要: CWD: A Machine Learning based Approach to Detect Unknown Cloud Workloads

• arxiv url: http://arxiv.org/abs/2211.15739v1
• Date: Mon, 28 Nov 2022 19:41:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:43:25.626255
• Title: CWD: A Machine Learning based Approach to Detect Unknown Cloud Workloads
• Title（参考訳）: CWD: 未知のクラウドワークロードを検出する機械学習ベースのアプローチ
• Authors: Mohammad Hossain, Derssie Mebratu, Niranjan Hasabnis, Jun Jin, Gaurav Chaudhary, Noah Shen
• Abstract要約: 我々は、クラウド環境で実行されるワークロードを特徴付け、プロファイルし、予測する機械学習ベースの技術を開発した。 また,モデルの性能をスタンドアローンで解析する手法も開発している。
• 参考スコア（独自算出の注目度）: 3.523208537466129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Workloads in modern cloud data centers are becoming increasingly complex. The number of workloads running in cloud data centers has been growing exponentially for the last few years, and cloud service providers (CSP) have been supporting on-demand services in real-time. Realizing the growing complexity of cloud environment and cloud workloads, hardware vendors such as Intel and AMD are increasingly introducing cloud-specific workload acceleration features in their CPU platforms. These features are typically targeted towards popular and commonly-used cloud workloads. Nonetheless, uncommon, customer-specific workloads (unknown workloads), if their characteristics are different from common workloads (known workloads), may not realize the potential of the underlying platform. To address this problem of realizing the full potential of the underlying platform, we develop a machine learning based technique to characterize, profile and predict workloads running in the cloud environment. Experimental evaluation of our technique demonstrates good prediction performance. We also develop techniques to analyze the performance of the model in a standalone manner.
• Abstract（参考訳）: 現代のクラウドデータセンターのワークロードはますます複雑になりつつある。 クラウドサービスプロバイダ(csp)は、オンデマンドサービスをリアルタイムにサポートしています。 クラウド環境とクラウドワークロードの複雑さが増す中、IntelやAMDといったハードウェアベンダは、CPUプラットフォームにクラウド固有のワークロード加速機能を導入している。 これらの機能は一般的に人気があり、一般的に使用されているクラウドワークロードをターゲットにしている。 それにもかかわらず、顧客固有のワークロード(未知のワークロード)は、その特性が共通のワークロード(既知のワークロード)とは異なる場合、基盤となるプラットフォームの可能性に気付かない可能性がある。 基盤となるプラットフォームの全可能性を実現するこの問題を解決するために、クラウド環境で実行されるワークロードを特徴付け、プロファイル化し、予測する機械学習技術を開発した。 本手法の実験的評価は良好な予測性能を示す。 また,モデルの性能をスタンドアロンで解析する手法も開発している。

関連論文リスト

• Application of Machine Learning Optimization in Cloud Computing Resource Scheduling and Management [18.462300407761873]
  中国のクラウドコンピューティングの規模は209億元に達した。 本稿では,クラウドコンピューティング資源のスケジューリングと管理において,複雑な問題を解くための革新的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-27T05:14:27Z)
• Integrating Homomorphic Encryption and Trusted Execution Technology for Autonomous and Confidential Model Refining in Cloud [4.21388107490327]
  同型暗号化と信頼性の高い実行環境技術は、自律的な計算の機密性を保護することができる。 モデル精錬方式の設計にこれらの2つの手法を統合することを提案する。
  論文  参考訳（メタデータ） (2023-08-02T06:31:41Z)
• 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)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• Unsupervised Point Cloud Representation Learning with Deep Neural Networks: A Survey [104.71816962689296]
  大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。 本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
  論文  参考訳（メタデータ） (2022-02-28T07:46:05Z)
• Molecular Dynamics Simulations on Cloud Computing and Machine Learning Platforms [0.8093262393618671]
  我々は、科学計算アプリケーションの計算構造、設計、要求のパラダイムシフトを見る。 データ駆動型と機械学習のアプローチは、科学計算アプリケーションをサポートし、スピードアップし、拡張するために使用されています。 クラウドコンピューティングプラットフォームは、科学コンピューティングにますますアピールしている。
  論文  参考訳（メタデータ） (2021-11-11T21:20:26Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• 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)
• Device-Cloud Collaborative Learning for Recommendation [50.01289274123047]
  集中型クラウドモデルにより「数千人のモデルを持つ何千人もの人」を効率的に実現する新しいMetaPatch学習手法をデバイス側で提案します。 数十億の更新されたパーソナライズされたデバイスモデルにより、集中型クラウドモデルを更新する"モデルオーバーモデル"蒸留アルゴリズム、すなわちMoMoDistillを提案する。
  論文  参考訳（メタデータ） (2021-04-14T05:06:59Z)
• Machine Learning Algorithms for Active Monitoring of High Performance Computing as a Service (HPCaaS) Cloud Environments [0.0]
  本稿では,HPCプラットフォームとして構成されたクラウドインフラストラクチャ上で動作するエンジニアリングアプリケーションの実用性について検討する。 この研究で考慮された工学的応用としては、ロスアラモス国立研究所が開発した放射線輸送コードMCNP6、オープンソースの計算流体力学コードOpenFOAM、素数分解に使用される一般数場シーブアルゴリズムCADONFSなどがある。
  論文  参考訳（メタデータ） (2020-09-26T01:29:19Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。