論文の概要: Availability Analysis of Redundant and Replicated Cloud Services with Bayesian Networks

• arxiv url: http://arxiv.org/abs/2306.13334v1
• Date: Fri, 23 Jun 2023 07:29:46 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 19:07:15.703007
• Title: Availability Analysis of Redundant and Replicated Cloud Services with Bayesian Networks
• Title（参考訳）: Bayesian Networksによる冗長・レプリケーションクラウドサービスの可用性解析
• Authors: Otto Bibartiu (1), Frank D\"urr (1), Kurt Rothermel (1), Beate Ottenw\"alder (2), Andreas Grau (2) ((1) University of Stuttgart, (2) Robert Bosch GmbH)
• Abstract要約: 本稿では,ハイレベルなモデリング形式を導入し,そのようなベイズ的ネットワークを自動構築する。 大規模冗長サービスと複製サービスの可用性を評価するため,提案したベイズネットワークアプローチの実現可能性を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Due to the growing complexity of modern data centers, failures are not uncommon any more. Therefore, fault tolerance mechanisms play a vital role in fulfilling the availability requirements. Multiple availability models have been proposed to assess compute systems, among which Bayesian network models have gained popularity in industry and research due to its powerful modeling formalism. In particular, this work focuses on assessing the availability of redundant and replicated cloud computing services with Bayesian networks. So far, research on availability has only focused on modeling either infrastructure or communication failures in Bayesian networks, but have not considered both simultaneously. This work addresses practical modeling challenges of assessing the availability of large-scale redundant and replicated services with Bayesian networks, including cascading and common-cause failures from the surrounding infrastructure and communication network. In order to ease the modeling task, this paper introduces a high-level modeling formalism to build such a Bayesian network automatically. Performance evaluations demonstrate the feasibility of the presented Bayesian network approach to assess the availability of large-scale redundant and replicated services. This model is not only applicable in the domain of cloud computing it can also be applied for general cases of local and geo-distributed systems.
• Abstract（参考訳）: 現代のデータセンターの複雑さが増大しているため、障害はもはや珍しくない。 したがって、フォールトトレランスメカニズムは、可用性要件を満たす上で重要な役割を果たす。 計算システムを評価するために複数のアベイラビリティモデルが提案されており、ベイズネットワークモデルは強力なモデリング形式のために業界や研究で人気を集めている。 特に本研究は,ベイジアンネットワークを用いた冗長かつ複製されたクラウドコンピューティングサービスの可用性評価に重点を置いている。 これまでアベイラビリティに関する研究は、ベイジアンネットワークのインフラストラクチャや通信障害のモデリングにのみ焦点を当ててきたが、両方を同時に考慮していない。 本研究は、周辺インフラおよび通信ネットワークからのカスケードや共通原因障害を含む、ベイズネットワークによる大規模冗長および複製サービスの可用性を評価するための実用的なモデリング課題に対処する。 本稿では,モデリング作業を容易にするために,ベイズネットワークを自動構築する高レベルなモデリング形式を提案する。 大規模冗長サービスと複製サービスの可用性を評価するため,提案したベイズネットワークアプローチの実現可能性を示す。 このモデルはクラウドコンピューティングの領域でのみ適用できるだけでなく、ローカルおよび地理的分散システムの一般的なケースにも適用できる。

関連論文リスト

• A method for quantifying the generalization capabilities of generative models for solving Ising models [5.699467840225041]
  我々は、ハミング距離正規化器を用いて、VANと組み合わせた様々なネットワークアーキテクチャの一般化能力を定量化する。 フィードフォワードニューラルネットワーク,リカレントニューラルネットワーク,グラフニューラルネットワークなど,VANと組み合わせたネットワークアーキテクチャの数値実験を行う。 本手法は,大規模Isingモデルの解法において,最適なネットワークアーキテクチャを探索するニューラルネットワーク探索の分野を支援する上で,非常に重要である。
  論文  参考訳（メタデータ） (2024-05-06T12:58:48Z)
• Data-driven Energy Efficiency Modelling in Large-scale Networks: An Expert Knowledge and ML-based Approach [8.326834499339107]
  本稿では,通信ネットワーク(SRCON)フレームワークのシミュレーション現実について紹介する。 ライブのネットワークデータを活用し、機械学習(ML)とエキスパートベースのモデルをブレンドする。 その結果、ネットワークエネルギー効率のモデリングにオペレーターが使用する最先端技術よりも大きな効果が得られた。
  論文  参考訳（メタデータ） (2023-12-31T10:03:08Z)
• Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
  本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。 様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。 その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
  論文  参考訳（メタデータ） (2023-12-21T08:02:49Z)
• Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
  より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。 具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
  論文  参考訳（メタデータ） (2023-12-03T13:50:24Z)
• Residual Multi-Fidelity Neural Network Computing [0.0]
  残差関数としてモデル間の相関を定式化する残差多忠実計算フレームワークを提案する。 計算コストの劇的な削減は、出力予測が小さな許容範囲内で正確であることを望んでいれば達成できることを示す。
  論文  参考訳（メタデータ） (2023-10-05T14:43:16Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Explainable Adversarial Attacks in Deep Neural Networks Using Activation Profiles [69.9674326582747]
  本稿では,敵対的事例に基づくニューラルネットワークモデルを検討するためのビジュアルフレームワークを提案する。 これらの要素を観察することで、モデル内の悪用領域を素早く特定できることを示す。
  論文  参考訳（メタデータ） (2021-03-18T13:04:21Z)
• Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
  過パラメータのニューラルネットワークが制約を満たしていることを示す。 公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
  論文  参考訳（メタデータ） (2020-12-30T18:46:50Z)
• Structural Causal Models Are (Solvable by) Credal Networks [70.45873402967297]
  因果推論は、干潟網の更新のための標準的なアルゴリズムによって得ることができる。 この貢献は, 干潟ネットワークによる構造因果モデルを表現するための体系的なアプローチと見なされるべきである。 実験により, 実規模問題における因果推論には, クレーダルネットワークの近似アルゴリズムがすぐに利用できることがわかった。
  論文  参考訳（メタデータ） (2020-08-02T11:19:36Z)

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。