論文の概要: Adopting the Actor Model for Antifragile Serverless Architectures
- arxiv url: http://arxiv.org/abs/2306.14738v1
- Date: Mon, 26 Jun 2023 14:49:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 18:55:25.474414
- Title: Adopting the Actor Model for Antifragile Serverless Architectures
- Title（参考訳）: 反脆弱なサーバレスアーキテクチャにアクタモデルを採用する
- Authors: Marcel Mraz, Hind Bangui, Bruno Rossi, Barbora Buhnova
- Abstract要約: 反脆弱性(英語: antifragility)とは、ソフトウェアシステムが障害のような持続的な有害事象に基づいて、時間とともに学習し、改善することに焦点を当てた概念である。
本稿では、サーバーレスシステムにおける監視戦略の導入を支援するための新しい考え方を提案する。
- 参考スコア（独自算出の注目度）: 2.602613712854636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Antifragility is a novel concept focusing on letting software systems learn
and improve over time based on sustained adverse events such as failures. The
actor model has been proposed to deal with concurrent computation and has
recently been adopted in several serverless platforms. In this paper, we
propose a new idea for supporting the adoption of supervision strategies in
serverless systems to improve the antifragility properties of such systems. We
define a predictive strategy based on the concept of stressors (e.g., injecting
failures), in which actors or a hierarchy of actors can be impacted and
analyzed for systems' improvement. The proposed solution can improve the
system's resiliency in exchange for higher complexity but goes in the direction
of building antifragile systems.
- Abstract（参考訳）: 反脆弱性(antifragility)は、ソフトウェアシステムが障害のような持続的な有害事象に基づいて、時間とともに学び、改善することに焦点を当てた、新しい概念である。
アクターモデルは並列計算を扱うために提案され、最近では複数のサーバレスプラットフォームで採用されている。
本稿では,サーバーレスシステムにおける監視戦略の導入を支援するための新しい考え方を提案する。
本研究では,システム改善のためにアクターやアクターの階層に影響を及ぼし分析できるストレス要因(例えば,障害を注入するなど)の概念に基づく予測戦略を定義する。
提案手法は,複雑性の増大と引き換えにシステムのレジリエンスを向上するが,反フランジシステム構築の方向に進む。
関連論文リスト
- 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) - Multi-agent Reinforcement Learning-based Network Intrusion Detection System [3.4636217357968904]
侵入検知システム(IDS)は,コンピュータネットワークのセキュリティ確保において重要な役割を担っている。
本稿では,自動,効率的,堅牢なネットワーク侵入検出が可能な,新しいマルチエージェント強化学習(RL)アーキテクチャを提案する。
我々のソリューションは、新しい攻撃の追加に対応し、既存の攻撃パターンの変更に効果的に適応するように設計されたレジリエントなアーキテクチャを導入します。
論文 参考訳（メタデータ） (2024-07-08T09:18:59Z) - Preparing for Black Swans: The Antifragility Imperative for Machine Learning [3.8452493072019496]
連続的な分散シフトにもかかわらず安全かつ確実な運用は、高度な機械学習アプリケーションにとって不可欠である。
本稿は,2014年にTalebによって導入された「反脆弱性」を構築的設計パラダイムとして導入した。
論文 参考訳（メタデータ） (2024-05-18T21:32:29Z) - FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。
本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。
本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
論文 参考訳（メタデータ） (2024-03-26T08:51:23Z) - Collision Avoidance Verification of Multiagent Systems with Learned Policies [9.550601011551024]
本稿では,マルチエージェントフィードバックループ(MA-NFL)の衝突回避特性を検証するための後方到達性に基づくアプローチを提案する。
私たちは多くの不確実性を説明しており、現実のシナリオとよく一致しています。
提案アルゴリズムは,MA-NFLの衝突回避アルゴリズムを模倣するエージェントを用いて,衝突回避特性を検証できることを示す。
論文 参考訳（メタデータ） (2024-03-05T20:36:26Z) - Mutual-modality Adversarial Attack with Semantic Perturbation [81.66172089175346]
本稿では,相互モダリティ最適化スキームにおける敵攻撃を生成する新しい手法を提案する。
我々の手法は最先端の攻撃方法より優れており、プラグイン・アンド・プレイ・ソリューションとして容易にデプロイできる。
論文 参考訳（メタデータ） (2023-12-20T05:06:01Z) - Coach-assisted Multi-Agent Reinforcement Learning Framework for
Unexpected Crashed Agents [120.91291581594773]
本稿では,予期せぬクラッシュを伴う協調型マルチエージェント強化学習システムの公式な定式化について述べる。
本稿では,教師支援型多エージェント強化学習フレームワークを提案する。
私たちの知る限りでは、この研究はマルチエージェントシステムにおける予期せぬクラッシュを初めて研究したものです。
論文 参考訳（メタデータ） (2022-03-16T08:22:45Z) - An Intrusion Response System utilizing Deep Q-Networks and System
Partitions [0.415623340386296]
irs-partitionというIRSソフトウェアプロトタイプを導入・開発する。
非定常系の進化に追従するために移動学習を利用する。
論文 参考訳（メタデータ） (2022-02-16T16:38:20Z) - Federated Learning with Unreliable Clients: Performance Analysis and
Mechanism Design [76.29738151117583]
Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。
しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。
クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
論文 参考訳（メタデータ） (2021-05-10T08:02:27Z) - System Component-Level Self-Adaptations for Security via Bayesian Games [0.676855875213031]
セキュリティ攻撃は、自己適応型システム設計に特有の課題をもたらす。
本稿では,ベイズゲームとディフェンダー(システム)をシステムアーキテクチャのコンポーネントの粒度でモデル化した,新たな自己適応型フレームワークを提案する。
論文 参考訳（メタデータ） (2021-03-12T16:20:59Z) - A Hamiltonian Monte Carlo Method for Probabilistic Adversarial Attack
and Learning [122.49765136434353]
本稿では,HMCAM (Acumulated Momentum) を用いたハミルトニアンモンテカルロ法を提案する。
また, 対数的対数的対数的学習(Contrastive Adversarial Training, CAT)と呼ばれる新たな生成法を提案し, 対数的例の平衡分布にアプローチする。
いくつかの自然画像データセットと実用システムに関する定量的および定性的な解析により、提案アルゴリズムの優位性が確認された。
論文 参考訳（メタデータ） (2020-10-15T16:07:26Z)
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。