論文の概要: Continuous QoS-compliant Orchestration in the Cloud-Edge Continuum

• arxiv url: http://arxiv.org/abs/2310.02985v1
• Date: Wed, 4 Oct 2023 17:22:58 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-23 04:44:35.583384
• Title: Continuous QoS-compliant Orchestration in the Cloud-Edge Continuum
• Title（参考訳）: クラウドエッジ連続体における連続QoS準拠オーケストレーション
• Authors: Giuseppe Bisicchia, Stefano Forti, Ernesto Pimentel, Antonio Brogi
• Abstract要約: Cloud-Edgeネットワーク上でのマルチサービスアプリケーション管理の問題は、意思決定の観点から近年徹底的に研究されている。 我々は,地理的に分散したCloud-Edgeリソース上で,マルチサービスアプリケーションの継続的かつDocker準拠の管理を実現するために,Dockerをベースとした次世代オーケストレータプロトタイプを提案する。
• 参考スコア（独自算出の注目度）: 2.2148160767314904
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The problem of managing multi-service applications on top of Cloud-Edge networks in a QoS-aware manner has been thoroughly studied in recent years from a decision-making perspective. However, only a few studies addressed the problem of actively enforcing such decisions while orchestrating multi-service applications and considering infrastructure and application variations. In this article, we propose a next-gen orchestrator prototype based on Docker to achieve the continuous and QoS-compliant management of multiservice applications on top of geographically distributed Cloud-Edge resources, in continuity with CI/CD pipelines and infrastructure monitoring tools. Finally, we assess our proposal over a geographically distributed testbed across Italy.
• Abstract（参考訳）: クラウドエッジネットワーク上でqos対応でマルチサービスアプリケーションを管理する問題は,近年,意思決定の観点から徹底的に研究されている。 しかし、そのような決定を積極的に実施し、マルチサービスのアプリケーションを編成し、インフラやアプリケーションのバリエーションを考慮するという問題に対処する研究はごくわずかである。 本稿では,地理的に分散したクラウドエッジリソース上に,ci/cdパイプラインとインフラストラクチャ監視ツールを用いて,マルチサービスアプリケーションの継続的かつqos対応管理を実現するために,dockerに基づく次世代オーケストレータのプロトタイプを提案する。 最後に,イタリア全土で地理的に分布するテストベッドについて検討した。

関連論文リスト

• AI Flow at the Network Edge [58.31090055138711]
  AI Flowは、デバイス、エッジノード、クラウドサーバ間で利用可能な異種リソースを共同で活用することで、推論プロセスを合理化するフレームワークである。 この記事では、AI Flowのモチベーション、課題、原則を特定するためのポジションペーパーとして機能する。
  論文  参考訳（メタデータ） (2024-11-19T12:51:17Z)
• WDMoE: Wireless Distributed Mixture of Experts for Large Language Models [68.45482959423323]
  大規模言語モデル(LLM)は様々な自然言語処理タスクにおいて大きな成功を収めた。 本稿では,無線ネットワーク上での基地局(BS)およびモバイルデバイスにおけるエッジサーバ間のLLMの協調展開を実現するために,無線分散Mixture of Experts(WDMoE)アーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-11-11T02:48:00Z)
• QGym: Scalable Simulation and Benchmarking of Queuing Network Controllers [18.165277140634934]
  キューネットワーク制御は、混雑を管理するために不足するリソースの割り当てを決定する。 本稿では,実際の問題インスタンスにまたがる待ち行列ポリシーをベンチマークする,オープンソースの待ち行列シミュレーションフレームワークQGymを提案する。
  論文  参考訳（メタデータ） (2024-10-08T16:15:30Z)
• WDMoE: Wireless Distributed Large Language Models with Mixture of Experts [65.57581050707738]
  我々は,Mixture of Experts (MoE)に基づく無線分散大言語モデル(LLM)パラダイムを提案する。 我々は,基地局(BS)とモバイルデバイスにゲーティングネットワークと先行するニューラルネットワーク層を配置することにより,LLM内のMoE層を分解する。 我々は、モデルの性能とエンドツーエンドのレイテンシの両方を考慮して、専門家の選択ポリシーを設計する。
  論文  参考訳（メタデータ） (2024-05-06T02:55:50Z)
• Towards Fair and Firm Real-Time Scheduling in DNN Multi-Tenant Multi-Accelerator Systems via Reinforcement Learning [1.8781124875646162]
  マルチテナント、マルチアクセラレータクラウド環境におけるテナント固有の管理にDeep Reinforcement Learningを活用する新しいアプローチを導入する。 マルチアクセラレータシステムにおけるディープニューラルネットワークの新しいオンラインスケジューリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-09T07:25:07Z)
• A Framework for dynamically meeting performance objectives on a service mesh [0.0]
  サービスメッシュ上で並列に実行される複数のサービスに対して,エンドツーエンドの管理目標を達成するためのフレームワークを提案する。 実資源に対して定期的に制御動作を行うエージェントの訓練に強化学習技術を適用した。
  論文  参考訳（メタデータ） (2023-06-25T09:08:41Z)
• Distributed intelligence on the Edge-to-Cloud Continuum: A systematic literature review [62.997667081978825]
  このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。 現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
  論文  参考訳（メタデータ） (2022-04-29T08:06:05Z)
• Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
  本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。 私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
  論文  参考訳（メタデータ） (2021-08-30T08:03:29Z)
• Reproducible Performance Optimization of Complex Applications on the Edge-to-Cloud Continuum [55.6313942302582]
  エッジ・ツー・クラウド・コンティニュム上でのリアルタイムアプリケーションの最適化を支援する手法を提案する。 提案手法は, 制御されたテストベッド環境において, その動作を理解するための厳密な構成解析に頼っている。 当社の方法論はEdge-to-Cloud Continuumの他のアプリケーションに一般化することができる。
  論文  参考訳（メタデータ） (2021-08-04T07:35:14Z)
• 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)

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。