論文の概要: URegM: a unified prediction model of resource consumption for refactoring software smells in open source cloud

• arxiv url: http://arxiv.org/abs/2310.14444v1
• Date: Sun, 22 Oct 2023 23:03:35 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-24 23:41:27.770490
• Title: URegM: a unified prediction model of resource consumption for refactoring software smells in open source cloud
• Title（参考訳）: URegM: オープンソースクラウドにおけるソフトウェアの臭いをリファクタリングするためのリソース消費の統一予測モデル
• Authors: Asif Imran and Tevfik Kosar
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 3.9704849108478704
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The low cost and rapid provisioning capabilities have made the cloud a desirable platform to launch complex scientific applications. However, resource utilization optimization is a significant challenge for cloud service providers, since the earlier focus is provided on optimizing resources for the applications that run on the cloud, with a low emphasis being provided on optimizing resource utilization of the cloud computing internal processes. Code refactoring has been associated with improving the maintenance and understanding of software code. However, analyzing the impact of the refactoring source code of the cloud and studying its impact on cloud resource usage require further analysis. In this paper, we propose a framework called Unified Regression Modelling (URegM) which predicts the impact of code smell refactoring on cloud resource usage. We test our experiments in a real-life cloud environment using a complex scientific application as a workload. Results show that URegM is capable of accurately predicting resource consumption due to code smell refactoring. This will permit cloud service providers with advanced knowledge about the impact of refactoring code smells on resource consumption, thus allowing them to plan their resource provisioning and code refactoring more effectively.
• Abstract（参考訳）: 低コストで迅速なプロビジョニング機能により、クラウドは複雑な科学アプリケーションを立ち上げるための望ましいプラットフォームになった。 しかし、クラウド上で実行されるアプリケーションのリソースを最適化することに注力しており、クラウドコンピューティング内部プロセスのリソース利用の最適化に重点が置かれているため、クラウドサービスプロバイダにとってリソース利用の最適化は重要な課題である。 コードのリファクタリングは、ソフトウェアコードのメンテナンスと理解の改善に関連しています。 しかし、クラウドのリファクタリングソースコードの影響を分析し、そのクラウドリソース利用への影響を調べるには、さらなる分析が必要である。 本稿では,コード臭いリファクタリングがクラウドリソース利用に与える影響を予測するフレームワークであるunified regression modelling (uregm)を提案する。 我々は、複雑な科学的応用をワークロードとして、実生活のクラウド環境でテストする。 その結果、URegMはコードの臭いのリファクタリングによるリソース消費を正確に予測できることがわかった。 これにより、クラウドサービスプロバイダは、コードの臭いがリソース消費に与える影響に関する高度な知識を持つことができ、リソースのプロビジョニングとコードのリファクタリングをより効果的に計画できる。

関連論文リスト

• Reinforcement Learning-Based Adaptive Load Balancing for Dynamic Cloud Environments [0.0]
  これらの課題に対処するために,Reinforcement Learning (RL) を用いた適応型ロードバランシングフレームワークを提案する。 我々のフレームワークは、タスクを動的に再配置し、レイテンシを最小化し、サーバ間のリソース利用のバランスを確保するように設計されています。 実験の結果,提案したRLベースのロードバランサは,応答時間,資源利用量,ワークロードの変化に対する適応性などの観点から,従来のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-07T19:40:48Z)
• Efficient and Deployable Knowledge Infusion for Open-World Recommendations via Large Language Models [53.547190001324665]
  大規模言語モデル(LLM)からユーザとアイテムに関する2種類の外部知識を取得するためのREKIを提案する。 個別の知識抽出と個別の知識抽出を,異なるシナリオのスケールに合わせて開発し,オフラインのリソース消費を効果的に削減する。 実験によると、REKIは最先端のベースラインより優れており、多くの推奨アルゴリズムやタスクと互換性がある。
  論文  参考訳（メタデータ） (2024-08-20T03:45:24Z)
• ReGAL: Refactoring Programs to Discover Generalizable Abstractions [59.05769810380928]
  Generalizable Abstraction Learning (ReGAL)は、再利用可能な関数のライブラリをコード化して学習する手法である。 ReGALによって発見された共有関数ライブラリは、プログラムが様々な領域で容易に予測できることを示している。 CodeLlama-13Bでは、ReGALはLOGOで11.5%、日付理解で26.1%、TextCraftで8.1%という絶対精度が向上し、3つのドメインのうち2つでGPT-3.5を上回った。
  論文  参考訳（メタデータ） (2024-01-29T18:45:30Z)
• LLM-Assisted Code Cleaning For Training Accurate Code Generators [53.087019724256606]
  コードの品質を調査した結果,より構造化され,読みやすくなれば,コード生成性能が向上することがわかった。 私たちは、これらの原則を使って既存のプログラムを変換する、新しいデータクリーニングパイプラインを構築します。 提案手法を2つのアルゴリズムコード生成ベンチマークで評価した結果,微調整のCodeLLaMa-7Bでは,元のデータセットの微調整に比べて最大30%性能が向上していることがわかった。
  論文  参考訳（メタデータ） (2023-11-25T02:45:50Z)
• CloudScent: a model for code smell analysis in open-source cloud [2.990411348977783]
  オープンソースクラウドの匂いを検出するためのオープンソースメカニズムであるCloudScentを提案する。 その結果、CloudScentはクラウド内の8つのコードの臭いを正確に検出できることがわかった。
  論文  参考訳（メタデータ） (2023-07-22T19:01:38Z)
• Predicting the Impact of Batch Refactoring Code Smells on Application Resource Consumption [3.5557219875516646]
  本稿では,ソフトウェアコードの臭いのバッチと資源消費の関係について検討する。 次に、コードの臭いがリソース消費に与える影響を予測するアルゴリズムを設計することを目的とする。
  論文  参考訳（メタデータ） (2023-06-27T19:28:05Z)
• 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)
• Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
  オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。 対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
  論文  参考訳（メタデータ） (2022-07-07T03:23:04Z)
• 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)
• Machine Learning (ML)-Centric Resource Management in Cloud Computing: A Review and Future Directions [22.779373079539713]
  インフラストラクチャ・アズ・ア・サービス(I)は、最も重要かつ急速に成長する分野の1つです。 私のクラウドコンピューティングの最も重要な側面の1つは、リソース管理です。 機械学習は、さまざまなリソース管理タスクを処理するために使用されます。
  論文  参考訳（メタデータ） (2021-05-09T08:03:58Z)
• Pollux: Co-adaptive Cluster Scheduling for Goodput-Optimized Deep Learning [61.29990368322931]
  Polluxは、相互依存要因を適応的に最適化することで、ディープラーニング(DL)クラスタのスケジューリング性能を改善する。 Polluxは、最先端のDLスケジューラと比較して、平均的なジョブ完了時間を37-50%削減する。
  論文  参考訳（メタデータ） (2020-08-27T16:56:48Z)

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。