論文の概要: A Penny a Function: Towards Cost Transparent Cloud Programming
- arxiv url: http://arxiv.org/abs/2309.04954v1
- Date: Sun, 10 Sep 2023 08:02:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 08:11:18.753715
- Title: A Penny a Function: Towards Cost Transparent Cloud Programming
- Title（参考訳）: 1ペニー関数: コスト透明なクラウドプログラミングを目指して
- Authors: Lukas B\"ohme, Tom Beckmann, Sebastian Baltes, Robert Hirschfeld
- Abstract要約: コスト要因を理解するための既存のツールは、しばしばソースコードから切り離される。
既存のクラウドアプリケーションのコストモデルは、計算リソースのような特定の要因に焦点を当てている。
本稿では、コードから直接金銭的コスト推定を導出できる有向グラフに基づくコストモデルに向けた最初の取り組みについて述べる。
- 参考スコア（独自算出の注目度）: 3.858859576352153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Understanding and managing monetary cost factors is crucial when developing
cloud applications. However, the diverse range of factors influencing costs for
computation, storage, and networking in cloud applications poses a challenge
for developers who want to manage and minimize costs proactively. Existing
tools for understanding cost factors are often detached from source code,
causing opaqueness regarding the origin of costs. Moreover, existing cost
models for cloud applications focus on specific factors such as compute
resources and necessitate manual effort to create the models. This paper
presents initial work toward a cost model based on a directed graph that allows
deriving monetary cost estimations directly from code using static analysis.
Leveraging the cost model, we explore visualizations embedded in a code editor
that display costs close to the code causing them. This makes cost exploration
an integrated part of the developer experience, thereby removing the overhead
of external tooling for cost estimation of cloud applications at development
time.
- Abstract（参考訳）: クラウドアプリケーションの開発には、金銭的コスト要因の理解と管理が不可欠である。
しかし、クラウドアプリケーションにおける計算、ストレージ、ネットワークのコストに影響を与えるさまざまな要因は、コストを積極的に管理し最小化したい開発者にとっては課題となる。
コスト要因を理解するための既存のツールはしばしばソースコードから切り離され、コストの起源に関する不透明さを引き起こす。
さらに、クラウドアプリケーションの既存のコストモデルでは、計算リソースや手作業によるモデル作成といった特定の要素に焦点を当てている。
本稿では,静的解析を用いたコードから直接金銭的コスト推定を導出する有向グラフに基づくコストモデルに向けた初期研究について述べる。
コストモデルを活用することで、コードエディタに埋め込まれた視覚化を調査し、それらを引き起こすコードに近いコストを表示する。
これにより、コスト探索は開発者エクスペリエンスの一部として統合され、開発時にクラウドアプリケーションのコスト見積のための外部ツールのオーバーヘッドを取り除きます。
関連論文リスト
- Understanding Cost Dynamics of Serverless Computing: An Empirical Study [1.2905826135573395]
この調査は、組織がサーバレスを採用するコストを期待する方法を詳しく説明している。
また、ワークロードの適合性を理解し、サーバレスアプリケーションのコスト最適化のためのベストプラクティスを特定することも目標としている。
論文 参考訳（メタデータ） (2023-11-22T09:01:23Z) - URegM: a unified prediction model of resource consumption for
refactoring software smells in open source cloud [3.9704849108478704]
我々は、コードの臭いがクラウドリソースの利用に与える影響を予測する、Unified Regression Modelling (URegM) というフレームワークを提案する。
その結果,URegMはコードの臭いによる資源消費を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-10-22T23:03:35Z) - ZooPFL: Exploring Black-box Foundation Models for Personalized Federated
Learning [95.64041188351393]
本稿では,限られた資源とパーソナライゼーションの両課題を解決しようと試みる。
個人化フェデレート学習におけるゼロ階最適化を用いたZOOPFLという手法を提案する。
計算コストの削減とパーソナライゼーションの向上を目的として,低次元およびクライアント固有の埋め込みを持つオートエンコーダを組み込む入力手術を提案する。
論文 参考訳（メタデータ） (2023-10-08T12:26:13Z) - Accelerated and Inexpensive Machine Learning for Manufacturing Processes
with Incomplete Mechanistic Knowledge [0.0]
本稿では,この問題に対処するトランスファーラーニングに基づくアプローチを提案する。
MLモデルは、物理ベースのプロセスモデル(ソース)から大量の計算コストのかかるデータに基づいて訓練され、その後、より安価な実験データ(ターゲット)に基づいて微調整される。
情報源の極めて機能的かつ定量的な不正確さにもかかわらず、我々の手法はモデル開発コストを何年も削減し、実験コストを56～76%削減し、計算コストを桁違いに削減し、予測誤差を16～24%削減する。
論文 参考訳（メタデータ） (2023-04-29T10:54:57Z) - Scaling ML Products At Startups: A Practitioner's Guide [0.0]
我々は、コストを、モデルを提供するコストと、新しいモデルを開発し、訓練するコストと、パフォーマンスと固定コストに分割する。
我々は、これらのコストを概念化し、それらをより細いカテゴリに分割し、コストを削減できるフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-20T22:02:42Z) - Mining for Cost Awareness in the Infrastructure as Code Artifacts of Cloud-based Applications: an Exploratory Study [1.5612101323427952]
本研究の目的は,クラウドベースのアプリケーションのオープンソースリポジトリをマイニングすることで,コスト意識の実証的な証拠を提供することである。
152,735のリポジトリを体系的に検索した結果、2,010の関連リポジトリが選択された。
この結果から、開発者はアプリケーションデプロイメントのコストだけでなく、これらのコストを削減するためのアクションも気にしていることがわかる。
論文 参考訳（メタデータ） (2023-04-15T10:49:35Z) - Optimizing Data Collection for Machine Learning [87.37252958806856]
現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。
過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。
本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
論文 参考訳（メタデータ） (2022-10-03T21:19:05Z) - How Much More Data Do I Need? Estimating Requirements for Downstream
Tasks [99.44608160188905]
小さなトレーニングデータセットと学習アルゴリズムがあれば、ターゲットの検証やテストのパフォーマンスに到達するのに、どれくらいのデータが必要か?
データ要求を過大評価または過小評価すると、十分な予算で回避できる相当なコストが発生する。
本ガイドラインを用いることで,機械学習システムのデータ要求を正確に推定し,開発時間とデータ取得コストの双方で節約することができる。
論文 参考訳（メタデータ） (2022-07-04T21:16:05Z) - Kubric: A scalable dataset generator [73.78485189435729]
KubricはPythonフレームワークで、PyBulletやBlenderとインターフェースして写真リアリスティックなシーンを生成する。
本研究では,3次元NeRFモデルの研究から光フロー推定まで,13種類の異なるデータセットを提示することで,Kubricの有効性を実証する。
論文 参考訳（メタデータ） (2022-03-07T18:13:59Z) - Budget Learning via Bracketing [50.085728094234476]
予算学習の問題は、学習者の目標として、雲の使用を最小限に抑えつつ、精度の明確な損失を被ることである。
本稿ではブラケットの概念を用いてBL問題に対する新しい定式化を提案する。
我々は、実世界のデータセットに関する我々の理論を実証的に検証し、事前ゲーティングに基づく手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2020-04-14T04:38:14Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳（メタデータ） (2020-03-06T06:28:17Z)
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。