論文の概要: Revisiting the Performance of Serverless Computing: An Analysis of
Variance
- arxiv url: http://arxiv.org/abs/2305.04309v1
- Date: Sun, 7 May 2023 15:32:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 12:05:26.624980
- Title: Revisiting the Performance of Serverless Computing: An Analysis of
Variance
- Title(参考訳): サーバーレスコンピューティングのパフォーマンスの再検討:分散分析
- Authors: Jinfeng Wen, Zhenpeng Chen, Federica Sarro, Xuanzhe Liu
- Abstract要約: サーバレスコンピューティングは、ソフトウェアエンジニアが関数の粒度でアプリケーションを開発することを可能にする(サーバレス関数と呼ばれる)。
同じサーバレス関数の複数の同一実行は、これらの関数が実行される非常にダイナミックな基盤環境のため、異なるパフォーマンスを示すことができる。
トップレベルのカンファレンスで公開された59の関連研究論文を調査し、サーバーレス関数のパフォーマンスのばらつきを定量化するために複数のランを使用するのは、40.68%に過ぎません。
- 参考スコア(独自算出の注目度): 14.872563076658563
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Serverless computing is an emerging cloud computing paradigm, which allows
software engineers to develop applications at the granularity of function
(called serverless functions). However, multiple identical runs of the same
serverless functions can show different performance (i.e., response latencies)
due to the highly dynamic underlying environment where these functions are
executed. We conduct the first work to study serverless function performance to
raise awareness of this variance among researchers. We investigate 59 related
research papers published in top-tier conferences, and observe that only 40.68%
of them use multiple runs to quantify the variance of serverless function
performance. Then we extract 65 serverless functions used in these papers and
find that the performance of these serverless functions can differ by up to
338.76% (44.15% on average), indicating a large magnitude of the variance.
Furthermore, we find that 61.54% of these functions can have unreliable
performance results at the low number of repetitions that are widely adopted in
the serverless computing literature.
- Abstract(参考訳): サーバレスコンピューティングは、ソフトウェアエンジニアが関数の粒度(サーバレス機能と呼ばれる)でアプリケーションを開発することを可能にする、新たなクラウドコンピューティングパラダイムである。
しかしながら、同じサーバレス関数の複数の同一実行は、これらの関数が実行される非常にダイナミックな基盤環境のため、異なるパフォーマンス(すなわち応答レイテンシ)を示すことができる。
我々は、サーバーレス機能性能を研究するための最初の研究を行い、研究者間の差異に対する意識を高める。
トップレベルのカンファレンスで発表された59の関連研究論文を調査し、サーバレス機能のパフォーマンスのばらつきを定量化するために複数の実行を使用しているのは40.68%に過ぎません。
次に、これらの論文で使用される65のサーバレス関数を抽出し、これらのサーバレス関数のパフォーマンスが338.76%(平均44.15%)まで異なることを発見し、大きなばらつきを示している。
さらに、これらの関数の61.54%は、サーバーレスコンピューティングの文献で広く採用されている、低い回数の繰り返しにおいて、信頼性の低いパフォーマンス結果が得られる。
関連論文リスト
- SeBS-Flow: Benchmarking Serverless Cloud Function Workflows [51.4200085836966]
本稿では、最初のサーバーレスワークフローベンチマークスイートSeBS-Flowを提案する。
SeBS-Flowには6つの実世界のアプリケーションベンチマークと、異なる計算パターンを表す4つのマイクロベンチマークが含まれている。
当社では,パフォーマンス,コスト,スケーラビリティ,ランタイムの偏差など,3つの主要なクラウドプラットフォームに関する包括的な評価を実施しています。
論文 参考訳(メタデータ) (2024-10-04T14:52:18Z) - Impacts of floating-point non-associativity on reproducibility for HPC and deep learning applications [0.0]
浮動小数点非連想性に起因する並列プログラムにおける変数の実行は、アルゴリズムに大きな影響を与えることが知られている。
並列プログラミングモデルにおける浮動小数点非連想性の統計的性質について検討する。
我々は、ディープラーニングのためのGPUデプロイメントのコンテキスト内で、最近追加されたPyTorchの決定論的オプションについて検討する。
論文 参考訳(メタデータ) (2024-08-09T16:07:37Z) - Switchable Decision: Dynamic Neural Generation Networks [98.61113699324429]
本稿では,各データインスタンスのリソースを動的に割り当てることで,推論を高速化するスイッチブルな決定を提案する。
提案手法は, 同一の精度を維持しながら, 推論時のコスト低減に有効である。
論文 参考訳(メタデータ) (2024-05-07T17:44:54Z) - Shabari: Delayed Decision-Making for Faster and Efficient Serverless
Functions [0.30693357740321775]
サーバレスシステムのためのリソース管理フレームワークであるShabariを紹介します。
Shabariは、機能のパフォーマンス目標を満たすために、各呼び出しの右サイズを可能な限り遅くする。
さまざまなサーバレス関数と入力に対して、ShabariはSLO違反を11~73%削減する。
論文 参考訳(メタデータ) (2024-01-16T22:20:36Z) - SCOPE: Performance Testing for Serverless Computing [16.9571718076286]
我々は、サーバーレスコンピューティング指向のパフォーマンステストにおける最初のアプローチであるSCOPEを提案する。
SCOPEは97.25%の精度、33.83ポイントの試験結果を提供する。
論文 参考訳(メタデータ) (2023-06-02T15:29:28Z) - Multi-task Bias-Variance Trade-off Through Functional Constraints [102.64082402388192]
マルチタスク学習は、多様なタスクによく機能する関数の集合を取得することを目的としている。
本稿では,2つの極端な学習シナリオ,すなわちすべてのタスクに対する単一関数と,他のタスクを無視するタスク固有関数から直感を抽出する。
本稿では,集中関数に対するドメイン固有解を強制する制約付き学習定式化を導入する。
論文 参考訳(メタデータ) (2022-10-27T16:06:47Z) - Offline Reinforcement Learning with Differentiable Function
Approximation is Provably Efficient [65.08966446962845]
歴史的データを用いて意思決定戦略を最適化することを目的としたオフライン強化学習は、現実の応用に広く適用されている。
微分関数クラス近似(DFA)を用いたオフライン強化学習の検討から一歩踏み出した。
最も重要なことは、悲観的な適合Q-ラーニングアルゴリズムを解析することにより、オフライン微分関数近似が有効であることを示すことである。
論文 参考訳(メタデータ) (2022-10-03T07:59:42Z) - Continual Feature Selection: Spurious Features in Continual Learning [0.0]
本稿では,連続学習アルゴリズムにおける特徴量の影響について考察する。
一般化不可能な特徴を過度に組み合わせることで,学習アルゴリズムがタスクを解くことを示す。
論文 参考訳(メタデータ) (2022-03-02T10:43:54Z) - DAPPER: Label-Free Performance Estimation after Personalization for
Heterogeneous Mobile Sensing [95.18236298557721]
DAPPER(Domain AdaPtation Performance EstimatoR)を提案する。
実世界の6つのベースラインと比較した4つのセンシングデータセットによる評価の結果,DAPPERの精度は39.8%向上した。
論文 参考訳(メタデータ) (2021-11-22T08:49:33Z) - Detecting and Understanding Real-World Differential Performance Bugs in
Machine Learning Libraries [2.879036956042183]
同じサイズであるにもかかわらず、パフォーマンスが広く変化するインプットを見つけます。
我々は,単一入力だけでなく,各クラスがそれぞれのサイズによってパラメータ化される類似入力を持つ入力のクラスの性能を比較する。
重要なことに、パフォーマンスバグの修正に簡単に使用できる形式で、なぜパフォーマンスが異なるのか、という説明も提供します。
論文 参考訳(メタデータ) (2020-06-03T00:23:06Z) - Dynamic Federated Learning [57.14673504239551]
フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。
我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。
集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
論文 参考訳(メタデータ) (2020-02-20T15:00:54Z)
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。