論文の概要: Design and Implementation of an Automated Disaster-recovery System for a Kubernetes Cluster Using LSTM

• arxiv url: http://arxiv.org/abs/2402.02938v1
• Date: Mon, 5 Feb 2024 12:00:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-06 16:36:31.242787
• Title: Design and Implementation of an Automated Disaster-recovery System for a Kubernetes Cluster Using LSTM
• Title（参考訳）: LSTMを用いたKubernetesクラスタの自動災害復旧システムの設計と実装
• Authors: Ji-Beom Kim, Je-Bum Choi, and Eun-Sung Jung
• Abstract要約: 本研究では,管理用プレートフォームとバックアップ・修復ツールを統合するシステム構造について紹介する。 実験の結果,ヒトの介入なしに15秒以内に修復処理を行い,迅速な回復を可能にした。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the increasing importance of data in the modern business environment, effective data man-agement and protection strategies are gaining increasing research attention. Data protection in a cloud environment is crucial for safeguarding information assets and maintaining sustainable services. This study introduces a system structure that integrates Kubernetes management plat-forms with backup and restoration tools. This system is designed to immediately detect disasters and automatically recover applications from another kubernetes cluster. The experimental results show that this system executes the restoration process within 15 s without human intervention, enabling rapid recovery. This, in turn, significantly reduces the potential for delays and errors compared with manual recovery processes, thereby enhancing data management and recovery ef-ficiency in cloud environments. Moreover, our research model predicts the CPU utilization of the cluster using Long Short-Term Memory (LSTM). The necessity of scheduling through this predict is made clearer through comparison with experiments without scheduling, demonstrating its ability to prevent performance degradation. This research highlights the efficiency and necessity of automatic recovery systems in cloud environments, setting a new direction for future research.
• Abstract（参考訳）: 現代のビジネス環境におけるデータの重要性が高まる中、効果的なデータマンエイジメントと保護戦略が研究の注目を集めている。 クラウド環境におけるデータ保護は、情報資産の保護と持続可能なサービスの維持に不可欠である。 本研究では、Kubernetes管理プレートフォームとバックアップとリストアツールを統合するシステム構造を紹介する。 このシステムは災害を即座に検出し、別のkubernetesクラスタからアプリケーションを自動的にリカバリするように設計されている。 実験の結果, 人間の介入なしに15秒以内に修復処理を行い, 迅速な回復を可能にした。 これにより、手動のリカバリプロセスに比べて遅延やエラーの可能性を著しく低減し、クラウド環境におけるデータ管理とリカバリのef-ficiencyが向上する。 さらに,Long Short-Term Memory (LSTM) を用いてクラスタのCPU利用率を予測する。 この予測を通したスケジューリングの必要性は、スケジューリングなしでの実験と比較することでより明確になり、性能劣化を防ぐ能力を示す。 本研究は,クラウド環境における自動リカバリシステムの効率性と必要性を強調し,今後の研究に向けた新たな方向性を定めている。

関連論文リスト

• A Comprehensive Benchmarking Analysis of Fault Recovery in Stream Processing Frameworks [1.3398445165628463]
  本稿では, クラウドネイティブ環境における障害復旧性能, 安定性, 回復時間に関する包括的解析を行う。 以上の結果から,Flinkは最も安定しており,最高の障害回復の1つであることが示唆された。 K Kafka Streamsは適切なフォールトリカバリパフォーマンスと安定性を示しているが、イベントレイテンシは高い。
  論文  参考訳（メタデータ） (2024-04-09T10:49:23Z)
• Comprehensive Study Of Predictive Maintenance In Industries Using Classification Models And LSTM Model [0.0]
  この研究は、SVM(Support Vector Machine)、ランダムフォレスト(Random Forest)、ロジスティック回帰(Logistic Regression)、畳み込みニューラルネットワークLSTMベース(Convolutional Neural Network LSTM-based)など、さまざまな機械学習分類手法を掘り下げて、マシンのパフォーマンスを予測し分析することを目的としている。 本研究の主な目的は、精度、精度、リコール、F1スコアなどの要因を考慮して、これらのアルゴリズムの性能を評価し、機械性能を予測・解析することである。
  論文  参考訳（メタデータ） (2024-03-15T12:47:45Z)
• EASRec: Elastic Architecture Search for Efficient Long-term Sequential Recommender Systems [82.76483989905961]
  現在のSRS(Sequential Recommender Systems)は、計算とリソースの非効率に悩まされている。 我々は、効率的な長期シーケンスレコメンダシステム(EASRec)のための弾性アーキテクチャー探索を開発する。 EASRecは、入力データバッチから履歴情報を活用するデータ認識ゲートを導入し、レコメンデーションネットワークの性能を改善する。
  論文  参考訳（メタデータ） (2024-02-01T07:22:52Z)
• Guarding the Grid: Enhancing Resilience in Automated Residential Demand Response Against False Data Injection Attacks [2.981139602986498]
  ユーティリティ企業は、需要対応プログラムの有効性を高めるために、住宅需要の柔軟性とスマート/IoTデバイスの普及を活用している。 これらのシステムにおける分散アーキテクチャの採用は、それらを偽データインジェクション攻撃(FDIA)のリスクにさらしている。 本稿では、DR最適化、異常検出、攻撃の影響を緩和し、レジリエントで自動化されたデバイススケジューリングシステムを構築するための戦略を組み合わせた総合的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-14T04:02:52Z)
• 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)
• Understanding Container-based Services under Software Aging: Dependability and Performance Views [5.2135218089240185]
  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。
  論文  参考訳（メタデータ） (2023-08-24T13:40:26Z)
• Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening [51.34904967046097]
  Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。 高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T11:30:45Z)
• Re-thinking Data Availablity Attacks Against Deep Neural Networks [53.64624167867274]
  本稿では、未学習例の概念を再検討し、既存のロバストな誤り最小化ノイズが不正確な最適化目標であることを示す。 本稿では,計算時間要件の低減による保護性能の向上を図った新しい最適化パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-05-18T04:03:51Z)
• Unsupervised Restoration of Weather-affected Images using Deep Gaussian Process-based CycleGAN [92.15895515035795]
  本稿では,CycleGANに基づくディープネットワークの監視手法について述べる。 我々は,より効果的なトレーニングにつながるCycleGANのトレーニングに新たな損失を導入し,高品質な再構築を実現した。 提案手法は, 脱落, 脱落, 脱落といった様々な修復作業に効果的に適用できることを実証する。
  論文  参考訳（メタデータ） (2022-04-23T01:30:47Z)
• Hyperparameter Optimization in Neural Networks via Structured Sparse Recovery [54.60327265077322]
  スパースリカバリ法のレンズを用いて,ニューラルネットワークの自動設計における2つの重要な問題について検討する。 本論文の前半では,HPOと構造的スパースリカバリの新たな接続を確立する。 本論文の第2部では,NASと構造的スパース回復の関連性を確立する。
  論文  参考訳（メタデータ） (2020-07-07T00:57:09Z)

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。