論文の概要: Understanding Container-based Services under Software Aging:
Dependability and Performance Views
- arxiv url: http://arxiv.org/abs/2308.12784v1
- Date: Thu, 24 Aug 2023 13:40:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 12:47:08.464875
- Title: Understanding Container-based Services under Software Aging:
Dependability and Performance Views
- Title（参考訳）: コンテナベースのサービスを理解する - 依存関係とパフォーマンスの視点
- Authors: Jing Bai, Xiaolin Chang, Fumio Machida, Kishor S. Trivedi
- Abstract要約: コンテナベースのサービスの性能を最大化または最小化できる最適なcon-tainer-migrationトリガ間隔を示す。
本稿では,OSレジューベーションがcon-tainerベースのサービスの信頼性と性能に与える影響を定量的に評価するための,半マルコフに基づく包括的アプローチを提案する。
- 参考スコア（独自算出の注目度）: 5.2135218089240185
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Container technology, as the key enabler behind microservice architectures,
is widely applied in Cloud and Edge Computing. A long and continuous running of
operating system (OS) host-ing container-based services can encounter software
aging that leads to performance deterioration and even causes system fail-ures.
OS rejuvenation techniques can mitigate the impact of software aging but the
rejuvenation trigger interval needs to be carefully determined to reduce the
downtime cost due to rejuve-nation. This paper proposes a comprehensive
semi-Markov-based approach to quantitatively evaluate the effect of OS
reju-venation on the dependability and the performance of a con-tainer-based
service. In contrast to the existing studies, we nei-ther restrict the
distributions of time intervals of events to be exponential nor assume that
backup resources are always avail-able. Through the numerical study, we show
the optimal con-tainer-migration trigger intervals that can maximize the
de-pendability or minimize the performance of a container-based service.
- Abstract（参考訳）: マイクロサービスアーキテクチャの鍵となるコンテナ技術は、クラウドとエッジコンピューティングに広く適用されている。
オペレーティングシステム(OS)の長期的かつ継続的な実行 コンテナベースのサービスは、ソフトウェア老朽化に遭遇し、パフォーマンスが劣化し、システム障害の原因となる。
os再活性化技術はソフトウェア老化の影響を緩和するが、再活性化トリガー間隔を慎重に決定し、再活性化によるダウンタイムコストを低減する必要がある。
本稿では,コンテナベースサービスの信頼性と性能に対するosの回収効果を定量的に評価するための,包括的半マルコフベースアプローチを提案する。
既存の研究とは対照的に、イベントの時間間隔の分布を指数関数的に制限したり、バックアップリソースが常に有効であると仮定したりしない。
本研究では,コンテナベースのサービスの性能を最大化あるいは最小化できる最適なCon-tainer-migrationトリガ間隔を示す。
関連論文リスト
- SafeTail: Efficient Tail Latency Optimization in Edge Service Scheduling via Computational Redundancy Management [2.707215971599082]
拡張現実のような新興アプリケーションは、ユーザデバイスに高い信頼性を持つ低レイテンシコンピューティングサービスを必要とする。
私たちはSafeTailを紹介した。これは中央値と末尾の応答時間の両方の目標を満たすフレームワークで、テールレイテンシは90%以上のレイテンシで定義されています。
論文 参考訳（メタデータ） (2024-08-30T10:17:37Z) - The Fusion of Deep Reinforcement Learning and Edge Computing for Real-time Monitoring and Control Optimization in IoT Environments [2.0380092516669235]
本稿では,深層強化学習とエッジコンピューティングに基づく最適化制御システムを提案する。
その結果、このアプローチは、クラウドエッジ通信のレイテンシを低減し、異常な状況に対する応答を加速し、システム障害率を低減し、平均的な機器運用時間を延長し、手作業によるメンテナンスと置換のコストを削減できることを示した。
論文 参考訳（メタデータ） (2024-02-28T12:01:06Z) - Client Orchestration and Cost-Efficient Joint Optimization for
NOMA-Enabled Hierarchical Federated Learning [55.49099125128281]
半同期クラウドモデルアグリゲーションの下で非直交多重アクセス(NOMA)を実現するHFLシステムを提案する。
提案手法は,HFLの性能改善と総コスト削減に関するベンチマークよりも優れていることを示す。
論文 参考訳（メタデータ） (2023-11-03T13:34:44Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - DeepScaler: Holistic Autoscaling for Microservices Based on
Spatiotemporal GNN with Adaptive Graph Learning [4.128665560397244]
本稿では,ディープラーニングに基づく総合的オートスケーリング手法であるDeepScalerを提案する。
サービスレベルの合意(SLA)とコスト効率を最適化するために、サービス依存関係に対処することに焦点を当てています。
実験により,本手法はマイクロサービスのより効率的な自動スケーリング機構を実装していることが示された。
論文 参考訳（メタデータ） (2023-09-02T08:22:21Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。
FEIシステムは異種通信と計算資源分布を示す。
本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-26T08:13:22Z) - Innovations in the field of on-board scheduling technologies [64.41511459132334]
本稿では、ミッション自律のためのソフトウェアフレームワークに組み込まれた、オンボードスケジューラを提案する。
スケジューラは線形整数プログラミングに基づいており、ブランチ・アンド・カット・ソルバの使用に依存している。
この技術は地球観測のシナリオでテストされており、その性能を最先端のスケジューリング技術と比較している。
論文 参考訳（メタデータ） (2022-05-04T12:00:49Z) - CAROL: Confidence-Aware Resilience Model for Edge Federations [13.864161788250856]
本稿では、メモリ効率の良い生成ニューラルネットワークを用いて、将来状態のQuality of Service(QoS)を予測し、各予測に対する信頼度スコアを推定する信頼性認識型レジリエンスモデルCAROLを提案する。
CAROLは、エネルギー消費、期限違反率、レジリエンスオーバーヘッドを最大16、17、36パーセント削減することで、最先端のレジリエンススキームより優れています。
論文 参考訳（メタデータ） (2022-03-14T14:37:31Z) - Queue-Learning: A Reinforcement Learning Approach for Providing Quality
of Service [1.8477401359673706]
servicerate controlは、サービスシステムにおける保証を提供する共通のメカニズムである。
本稿では,強化学習ベース(rlベース)サービスレートコントローラを提案する。
当社のコントローラは、システムのエンドツーエンドの遅延に関する明示的な確率的保証を提供します。
論文 参考訳（メタデータ） (2021-01-12T17:28:57Z) - Untangling tradeoffs between recurrence and self-attention in neural
networks [81.30894993852813]
本稿では,再帰的ネットワークにおける自己注意が勾配伝播に与える影響を公式に分析する。
長期的な依存関係を捉えようとするとき、勾配をなくすことの問題を緩和することを証明する。
本稿では,スパース自己アテンションを反復的にスケーラブルに利用するための関連性スクリーニング機構を提案する。
論文 参考訳（メタデータ） (2020-06-16T19:24:25Z)
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。