論文の概要: A Multi-faceted Analysis of the Performance Variability of Virtual Machines

• arxiv url: http://arxiv.org/abs/2309.11959v1
• Date: Thu, 21 Sep 2023 10:25:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 06:58:14.199090
• Title: A Multi-faceted Analysis of the Performance Variability of Virtual Machines
• Title（参考訳）: 仮想マシンの性能変動の多面的解析
• Authors: Luciano Baresi, Tommaso Dolci, Giovanni Quattrocchi, Nicholas Rasi
• Abstract要約: クラウドプラットフォームは、パフォーマンスのばらつきに影響されていることが知られているが、より深く理解する必要がある。 本稿では,クラウドプラットフォームの性能変動に関する詳細な多面的研究を紹介する。 私たちの知る限りでは、これはこのトピックで実施された最も広い分析です。
• 参考スコア（独自算出の注目度）: 0.3481985817302898
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud computing and virtualization solutions allow one to rent the virtual machines (VMs) needed to run applications on a pay-per-use basis, but rented VMs do not offer any guarantee on their performance. Cloud platforms are known to be affected by performance variability, but a better understanding is still required. This paper moves in that direction and presents an in-depth, multi-faceted study on the performance variability of VMs. Unlike previous studies, our assessment covers a wide range of factors: 16 VM types from 4 well-known cloud providers, 10 benchmarks, and 28 different metrics. We present four new contributions. First, we introduce a new benchmark suite (VMBS) that let researchers and practitioners systematically collect a diverse set of performance data. Second, we present a new indicator, called Variability Indicator, that allows for measuring variability in the performance of VMs. Third, we illustrate an analysis of the collected data across four different dimensions: resources, isolation, time, and cost. Fourth, we present multiple predictive models based on Machine Learning that aim to forecast future performance and detect time patterns. Our experiments provide important insights on the resource variability of VMs, highlighting differences and similarities between various cloud providers. To the best of our knowledge, this is the widest analysis ever conducted on the topic.
• Abstract（参考訳）: クラウドコンピューティングと仮想化ソリューションにより、アプリケーションを実行するために必要な仮想マシン(VM)を有料でレンタルすることができるが、レンタルされたVMはパフォーマンスの保証を提供していない。 クラウドプラットフォームはパフォーマンスのばらつきに影響されていることが知られているが、より深い理解が必要である。 本稿では,VMの性能変動について,その方向に移動し,多面的考察を行う。 4つの有名なクラウドプロバイダからの16のvmタイプ、10のベンチマーク、28のさまざまなメトリクスです。 新しい貢献が4つあります。 まず、研究者や実践者が様々なパフォーマンスデータを体系的に収集できる新しいベンチマークスイート(VMBS)を導入する。 次に,変数インジケータ(Variability Indicator)と呼ばれる新しい指標を提案し,VMの性能の変動を測定する。 第3に,4つの異なる次元(リソース,分離,時間,コスト)にわたる収集データの分析について述べる。 第4に、将来の性能予測と時間パターン検出を目的とした機械学習に基づく複数の予測モデルを提案する。 我々の実験は、VMのリソースの多様性に関する重要な洞察を提供し、様々なクラウドプロバイダの違いと類似点を強調します。 私たちの知る限りでは、これはこのトピックで実施された最も広い分析です。

関連論文リスト

• Benchmark Self-Evolving: A Multi-Agent Framework for Dynamic LLM Evaluation [51.99752147380505]
  本稿では,大規模言語モデル(LLM)を動的に評価するベンチマーク自己進化フレームワークを提案する。 マルチエージェントシステムを用いて、元のインスタンスのコンテキストや質問を操作し、信頼性の高い新しいインスタンスをフレーミングする。 我々のフレームワークは、異なるモデル間の性能の相違を拡大し、様々なタスクで同じモデル内で性能の相違を拡大します。
  論文  参考訳（メタデータ） (2024-02-18T03:40:06Z)
• VMamba: Visual State Space Model [92.83984290020891]
  VMambaは、線形時間複雑性で動作するビジョンバックボーンである。 VMambaのコアには2D Selective Scan (SS2D)モジュールを備えたVisual State-Space (VSS)ブロックのスタックがある。
  論文  参考訳（メタデータ） (2024-01-18T17:55:39Z)
• Online Continual Learning for Robust Indoor Object Recognition [24.316047317028143]
  ホームロボットに搭載された視覚システムは、環境の変化の中で見えないクラスと対話する必要がある。 本稿では,高次統計モーメントを演算するリッチな特徴空間を構成するRobOCLeを提案する。 異なるモーメントにより、RobOCLeは変形の異なる特性を捉えることができ、推論速度を低下させることなく高いロバスト性が得られることを示す。
  論文  参考訳（メタデータ） (2023-07-19T08:32:59Z)
• Unified Open-Vocabulary Dense Visual Prediction [51.03014432235629]
  オープン語彙(OV)の濃密な視覚予測は研究の注目を集めている。 既存のアプローチのほとんどはタスク固有であり、個々のタスクに個別に取り組む。 我々は4つの共通密度予測タスクに共同で対処する統一オープン語彙ネットワーク(UOVN)を提案する。
  論文  参考訳（メタデータ） (2023-07-17T04:39:18Z)
• Measuring Progress in Fine-grained Vision-and-Language Understanding [23.377634283746698]
  詳細なベンチマークにおいて、4つの競合する視覚・言語モデルについて検討する。 X-VLMは、他のベースラインよりも一貫して優れています。 細かなスキルを習得する上で,新たな損失と豊富なデータソースの両方の重要性を強調した。
  論文  参考訳（メタデータ） (2023-05-12T15:34:20Z)
• An Empirical Study of End-to-End Video-Language Transformers with Masked Visual Modeling [152.75131627307567]
  Masked Visual Modeling (MVM) は視覚前トレーニングに有効であることが最近証明されている。 VidL学習におけるMVMの可能性について,系統的に検討した。 我々は、MVMで事前トレーニングされたVIOLETv2が、13のVidLベンチマークで顕著な改善を実現していることを示す。
  論文  参考訳（メタデータ） (2022-09-04T06:30:32Z)
• Partitioned Variational Inference: A Framework for Probabilistic Federated Learning [45.9225420256808]
  フェデレートされた環境でVIを実行するためのフレームワークであるパーティショニング付き変分推論(PVI)を導入する。 我々はPVIの新たな支援理論を開発し、実践者にとって魅力的な選択となる多くの特性を実証する。
  論文  参考訳（メタデータ） (2022-02-24T18:15:30Z)
• VMAgent: Scheduling Simulator for Reinforcement Learning [44.026076801936874]
  VMAgentと呼ばれる新しいシミュレータは、RL研究者が新しい手法をよりよく探求するのに役立つ。 VMAgentは、実用的な仮想マシン(VM)スケジューリングタスクにインスパイアされている。 VMスケジューリングの観点からは、VMAgentは学習ベースのスケジューリングソリューションの改善にも役立ちます。
  論文  参考訳（メタデータ） (2021-12-09T09:18:38Z)
• Comprehensive Review On Twin Support Vector Machines [0.0]
  ツインサポートベクターマシン(tsvm)とツインサポートベクター回帰(tsvr)は、新しい効率的な機械学習技術である。 TSVMは、データポイントをそれぞれのクラスに分類する2つの非平行超平面を識別するアイデアに基づいている。 TSVRはTSVMのラインで定式化されており、2つのSVMタイプの問題を解決する必要がある。
  論文  参考訳（メタデータ） (2021-05-01T19:48:45Z)
• DiVA: Diverse Visual Feature Aggregation for Deep Metric Learning [83.48587570246231]
  視覚的類似性は多くのコンピュータビジョンアプリケーションにおいて重要な役割を果たす。 ディープ・メトリック・ラーニング(DML)は、そのような類似性を学ぶための強力なフレームワークである。 我々は,概念的に異なるデータ関係を対象とする複数の補完学習タスクを提案し,研究する。 我々は、訓練信号を集約する単一モデルを学び、その結果、強力な一般化と最先端のパフォーマンスが得られる。
  論文  参考訳（メタデータ） (2020-04-28T12:26:50Z)
• Stance Detection Benchmark: How Robust Is Your Stance Detection? [65.91772010586605]
  Stance Detection (StD) は、あるトピックやクレームに対する著者の姿勢を検出することを目的としている。 マルチデータセット学習環境において、さまざまなドメインの10のStDデータセットから学習するStDベンチマークを導入する。 このベンチマーク設定では、5つのデータセットに新しい最先端結果を表示することができます。
  論文  参考訳（メタデータ） (2020-01-06T13:37:51Z)

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。