論文の概要: SCOPE: Performance Testing for Serverless Computing

• arxiv url: http://arxiv.org/abs/2306.01620v2
• Date: Wed, 12 Feb 2025 07:24:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-13 13:46:45.566938
• Title: SCOPE: Performance Testing for Serverless Computing
• Title（参考訳）: SCOPE:サーバレスコンピューティングのパフォーマンステスト
• Authors: Jinfeng Wen, Zhenpeng Chen, Jianshu Zhao, Federica Sarro, Haodi Ping, Ying Zhang, Shangguang Wang, Xuanzhe Liu,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 16.9571718076286
• License:
• Abstract: Serverless computing is a popular cloud computing paradigm that has found widespread adoption across various online workloads. It allows software engineers to develop cloud applications as a set of functions (called serverless functions). However, accurately measuring the performance (i.e., end-to-end response latency) of serverless functions is challenging due to the highly dynamic nature of the environment in which they run. To tackle this problem, a potential solution is to apply checks of performance testing techniques to determine how many repetitions of a given serverless function across a range of inputs are needed to cater to the performance fluctuation. However, the available literature lacks performance testing approaches designed explicitly for serverless computing. In this paper, we propose SCOPE, the first serverless computing-oriented performance testing approach. SCOPE takes into account the unique performance characteristics of serverless functions, such as their short execution durations and on-demand triggering. As such, SCOPE is designed as a fine-grained analysis approach. SCOPE incorporates the accuracy check and the consistency check to obtain the accurate and reliable performance of serverless functions. The evaluation shows that SCOPE provides testing results with 97.25% accuracy, 33.83 percentage points higher than the best currently available technique. Moreover, the superiority of SCOPE over the state-of-the-art holds on all functions that we study.
• Abstract（参考訳）: サーバレスコンピューティングはクラウドコンピューティングのパラダイムとして人気があり、さまざまなオンラインワークロードで広く採用されている。 ソフトウェアエンジニアは、一連の機能(サーバレス機能と呼ばれる)としてクラウドアプリケーションを開発することができる。 しかしながら、サーバーレス関数のパフォーマンス(すなわちエンドツーエンドの応答レイテンシ)を正確に測定することは、それらが実行する環境の非常にダイナミックな性質のため、難しい。 この問題に対処するためには、パフォーマンステストテクニックのチェックを適用して、パフォーマンスの変動に対処するために、所定の入力範囲にわたるサーバレス関数の繰り返し数を決定する、という方法が考えられる。 しかし、利用可能な文献には、サーバーレスコンピューティング用に明示的に設計されたパフォーマンステストのアプローチが欠けている。 本稿では,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、短い実行時間やオンデマンドトリガなど、サーバレス機能のユニークなパフォーマンス特性を考慮に入れている。 そのため、SCOPEはきめ細かい分析手法として設計されている。 SCOPEは、正確性チェックと整合性チェックを組み込んで、サーバレス機能の正確で信頼性の高いパフォーマンスを得る。 SCOPEは97.25%の精度、33.83ポイントの試験結果を提供する。 さらに、SCOPEが最先端技術よりも優れていることは、我々が研究するすべての関数に当てはまる。

関連論文リスト

• Tracing Optimization for Performance Modeling and Regression Detection [15.99435412859094]
  性能モデルは、システムのパフォーマンスと実行時のアクティビティの関係を解析的に記述する。 性能に敏感なコード領域を識別・排除することで、トレーシングオーバーヘッドを低減する統計的手法を提案する。 私たちのアプローチは完全に自動化されており、最小限の人的労力で本番環境で使用できるようにしています。
  論文  参考訳（メタデータ） (2024-11-26T16:11:55Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• 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)
• SPES: Towards Optimizing Performance-Resource Trade-Off for Serverless Functions [31.01399126339857]
  サーバーレスコンピューティングは、その効率性とオンデマンドのクラウドリソースを活用する能力によって、勢いを増している。 既存のソリューションでは、完全な呼び出しパターンを使わずに関数のプリロード/アンロードのために、過剰に単純化された戦略を使う傾向があります。 本研究では、サーバーレス関数のプロビジョニングを最適化することにより、実行時コールドスタート緩和のための最初の差別化スケジューラであるSPESを提案する。
  論文  参考訳（メタデータ） (2024-03-26T10:28:41Z)
• Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
  現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。 現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。 我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
  論文  参考訳（メタデータ） (2023-09-08T20:27:05Z)
• Towards General and Efficient Online Tuning for Spark [55.30868031221838]
  本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。 我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
  論文  参考訳（メタデータ） (2023-09-05T02:16:45Z)
• Non-Convex Bilevel Optimization with Time-Varying Objective Functions [57.299128109226025]
  本稿では,時間変化の可能なオンライン二段階最適化を提案し,エージェントがオンラインデータを用いて決定を継続的に更新する。 既存のアルゴリズムと比較して、SOBOWは計算効率が良く、以前の関数を知る必要がない。 軽度条件下では,SOBOWはサブリニアな局所的後悔を達成できることを示す。
  論文  参考訳（メタデータ） (2023-08-07T06:27:57Z)
• Unveiling Overlooked Performance Variance in Serverless Computing [13.408015381602226]
  この研究は、ソフトウェアエンジニアリングにおけるよく知られたパフォーマンス分散問題に対するサーバーレスコンピューティングコミュニティの認識の欠如を浮き彫りにしている。 この結果から、これらのサーバレス関数のパフォーマンスは、異なる実行毎に最大338.76%異なる可能性があることが判明した。 我々の研究は、ソフトウェアエンジニアリングにおけるよく知られたパフォーマンス分散問題に対するサーバーレスコンピューティングコミュニティの認識の欠如を強調している。
  論文  参考訳（メタデータ） (2023-05-07T15:32:16Z)
• Performance Modeling of Metric-Based Serverless Computing Platforms [5.089110111757978]
  提案されたパフォーマンスモデルは、開発者とプロバイダが異なる構成でデプロイメントのパフォーマンスとコストを予測するのに役立つ。 Knative上での実環境実験を行うことで,提案した性能モデルの適用性と精度を検証した。
  論文  参考訳（メタデータ） (2022-02-23T00:39:01Z)
• Compactness Score: A Fast Filter Method for Unsupervised Feature Selection [66.84571085643928]
  本稿では,CSUFS (Compactness Score) と呼ばれる高速な教師なし特徴選択手法を提案する。 提案アルゴリズムは既存のアルゴリズムよりも正確で効率的である。
  論文  参考訳（メタデータ） (2022-01-31T13:01:37Z)

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。