論文の概要: BLAFS: A Bloat Aware File System
- arxiv url: http://arxiv.org/abs/2305.04641v1
- Date: Mon, 8 May 2023 11:41:30 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 11:52:53.698617
- Title: BLAFS: A Bloat Aware File System
- Title(参考訳): BLAFS:Bloat Awareファイルシステム
- Authors: Huaifeng Zhang, Mohannad Alhanahnah, Ahmed Ali-Eldin
- Abstract要約: コンテナ用のBLoat-Aware-fileシステムであるBLAFSを紹介する。
BLAFSは、クラウドおよびエッジシステムのデブロ安全性を保証する。
- 参考スコア(独自算出の注目度): 2.3476033905954687
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: While there has been exponential improvements in hardware performance over
the years, software performance has lagged behind. The performance-gap is
caused by software inefficiencies, many of which are caused by software bloat.
Software bloat occurs due to the ever increasing, mostly unused, features and
dependencies in a software. Bloat exists in all layers of software, from the
operating system, to the application, resulting in computing resource wastage.
The problem is exacerbated in both cloud and edge setting as the number of
applications running increase. To remove software bloat, multiple debloating
tools have been proposed in the literature. However, these tools do not provide
safety guarantees on the debloated software, with some files needed during
run-time removed. In this paper, We introduce BLAFS, a BLoat-Aware-file system
for containers. BLAFS guarantees debloating safety for both cloud and edge
systems. BLAFS is implemented on top of the Overlay file-system, allowing for
file-system layer sharing across the containers. We compare BLAFS to two
state-of-the-art debloating tools (Cimplifier and Dockerslim), and two
state-of-the-art lazy-loading container snap-shotters for edge systems
(Starlight and eStargz). Our evaluation of real-world containers shows BLAFS
reduces container sizes by up to 97% of the original size, while maintaining
the safety of the containers when other debloating tools fail. We also evaluate
BLAFS's performance in edge settings. It can reduce the container provisioning
time by up to 90% providing comparable bandwidth reductions to lazy-loading
snap-shotters, while removing 97% of the vulnerabilities, and up to 97% less
space on the edge.
- Abstract(参考訳): 長年にわたってハードウェア性能は指数関数的に改善されてきたが、ソフトウェア性能は遅れている。
パフォーマンスギャップはソフトウェア非効率によって引き起こされ、その多くがソフトウェア肥大によって引き起こされる。
ソフトウェアの肥大化は、ソフトウェアにおける機能や依存関係の増大によって起こる。
Bloatはオペレーティングシステムからアプリケーションまで,ソフトウェアのすべてのレイヤに存在するため,コンピュータリソースの浪費が発生します。
この問題は、アプリケーションの数が増えるにつれて、クラウドとエッジの両方で悪化する。
ソフトウェアを膨らませる部分を取り除くために,複数のツールが文献に提案されている。
しかし、これらのツールは削除されたソフトウェアに安全性の保証を提供していない。
本稿では,コンテナ用のBLoat-Aware-fileシステムであるBLAFSを紹介する。
BLAFSは、クラウドおよびエッジシステムのデブロ安全性を保証する。
BLAFSはOverlayファイルシステム上に実装されており、コンテナ間でファイルシステム層を共有することができる。
BLAFSを2つの最先端デブロツール(CimplifierとDockerslim)と、エッジシステム(StarlightとeStargz)用の2つの最先端遅延ローディングコンテナスナップショットと比較する。
実世界のコンテナを評価したところ、BLAFSはコンテナのサイズを元のサイズの97%まで削減し、他のデブロッキングツールが失敗してもコンテナの安全性を維持します。
また,BLAFSの性能をエッジ設定で評価する。
コンテナのプロビジョニング時間を最大90%削減し、遅延ローディングスナップシュータに同等の帯域幅の削減を提供すると同時に、脆弱性の97%を除去し、エッジのスペースを最大97%削減することができる。
関連論文リスト
- Mitigating Spectre-PHT using Speculation Barriers in Linux BPF [0.07696728525672149]
Linuxの拡張バークレーパケットフィルタ(BPF)は、ユーザが提供するバイトコードをジャストインタイムでコンパイルすることで、ユーザ/カーネルの遷移を避ける。
2018年に公表されたSpectreの脆弱性を緩和するためには、潜在的に危険なプログラムを拒否する防衛措置を実施せざるを得なかった。
我々は,カーネルのSpectreディフェンスの強化であるBerrifyを提案し,BPFアプリケーションプログラムの数を54%から0に削減した。
論文 参考訳(メタデータ) (2024-04-30T12:34:23Z) - BESA: Pruning Large Language Models with Blockwise Parameter-Efficient Sparsity Allocation [54.28841287750586]
大規模言語モデル(LLM)は、テキスト要約、テキスト質問応答など、様々なタスクにおいて優れたパフォーマンスを示してきた。
SparseGPTやWandaといった既存のソリューションは、重み付けによってこの問題を緩和しようと試みている。
本稿では,ブロックワイド再構成損失を適用して,ブロックワイドパラメータ効率の空間割当(BESA)と呼ばれる新しいLCMプルーニング手法を提案する。
論文 参考訳(メタデータ) (2024-02-18T12:44:15Z) - Improving Program Debloating with 1-DU Chain Minimality [47.73151075716047]
RLDebloatDUは,抽象構文木内の1-DU鎖の最小性を利用した,革新的なデブロ手法である。
当社のアプローチでは,プログラムデータに依存しているため,アグレッシブなコード削減とプログラムセマンティクスの保存のバランスが保たれている。
論文 参考訳(メタデータ) (2024-02-01T02:00:32Z) - SoK: A Broad Comparative Evaluation of Software Debloating Tools [3.2463701388638597]
ソフトウェアデ肥大化ツールは、bloatと呼ばれる不要なコードを削除することで、プログラムのセキュリティとパフォーマンスを改善しようとしている。
筆者らは,10年間のデブロ化文学と,現在商業開発中のいくつかのツールを調査し,デブロ化生態系の知識を体系化した。
評価は、20のベンチマークプログラム、16のパフォーマンス、セキュリティ、正確性、ユーザビリティの計測ツールを多種多様なベンチマークプログラムで実施した。
論文 参考訳(メタデータ) (2023-12-20T18:53:18Z) - Distributed Inference and Fine-tuning of Large Language Models Over The
Internet [91.00270820533272]
大規模言語モデル(LLM)は、多くのNLPタスクで有用であり、サイズが向上する。
これらのモデルはハイエンドのハードウェアを必要とするため、ほとんどの研究者にはアクセスできない。
本研究では,システムスループットの最大化のためにデバイスを自動的に割り当てるフォールトトレラント推論アルゴリズムとロードバランシングプロトコルを開発する。
論文 参考訳(メタデータ) (2023-12-13T18:52:49Z) - Okapi: Efficiently Safeguarding Speculative Data Accesses in Sandboxed Environments [6.365587458495358]
本稿では,一過性実行側チャネル攻撃を緩和するハードウェア/ソフトウェアクロスレイヤアーキテクチャであるOkapiを紹介する。
Okapiは、投機的実行のためにサンドボックスを強制し、ソフトウェアの高価な投機障壁を置き換えるハードウェア基盤を提供する。
厳しいセキュリティニーズの少ない環境では、Okapiの機能は無効にすることで、すべてのパフォーマンスオーバーヘッドを取り除くことができる。
論文 参考訳(メタデータ) (2023-12-13T14:10:12Z) - Unleashing the Adversarial Facet of Software Debloating [2.512309434783062]
本研究では,機械学習のマルウェア分類モデルにソフトウェアデブロ手法を活用する方法について検討する。
本研究は,マルウェアの検出・分類だけでなく,他のソフトウェア領域においても,敵対的機械学習の研究の新たな方向性を開くものである。
論文 参考訳(メタデータ) (2023-09-14T22:58:36Z) - FusionAI: Decentralized Training and Deploying LLMs with Massive
Consumer-Level GPUs [57.12856172329322]
我々は、巨大な未使用のコンシューマレベルのGPUをアンロックする分散システムを構想する。
このシステムは、CPUとGPUメモリの制限、ネットワーク帯域幅の低さ、ピアとデバイスの多様性など、重要な課題に直面している。
論文 参考訳(メタデータ) (2023-09-03T13:27:56Z) - On the Security Blind Spots of Software Composition Analysis [46.1389163921338]
Mavenリポジトリで脆弱性のあるクローンを検出するための新しいアプローチを提案する。
Maven Centralから53万以上の潜在的な脆弱性のあるクローンを検索します。
検出された727個の脆弱なクローンを検出し、それぞれに検証可能な脆弱性証明プロジェクトを合成する。
論文 参考訳(メタデータ) (2023-06-08T20:14:46Z) - Machine Learning Systems are Bloated and Vulnerable [2.7023370929727277]
ソフトウェアシステムの肥大を解析するフレームワークであるMMLBを開発した。
MMLBはコンテナレベルとパッケージレベルの両方の肥大度を測定します。
肥大化が機械学習コンテナのサイズの最大80%を占めることを示している。
論文 参考訳(メタデータ) (2022-12-16T10:34:27Z) - Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。
本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。
また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
論文 参考訳(メタデータ) (2022-05-08T02:24:43Z)
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。