論文の概要: Exploring sustainable alternatives for the deployment of microservices architectures in the cloud

• arxiv url: http://arxiv.org/abs/2402.11238v1
• Date: Sat, 17 Feb 2024 10:06:26 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-20 22:23:13.235091
• Title: Exploring sustainable alternatives for the deployment of microservices architectures in the cloud
• Title（参考訳）: クラウドにマイクロサービスアーキテクチャを展開するための持続可能な代替策の検討
• Authors: Vittorio Cortellessa, Daniele Di Pompeo, Michele Tucci
• Abstract要約: 本稿では,アプリケーション性能,デプロイメントコスト,消費電力の最適組み合わせを目標として,アーキテクチャのクラウド展開を支援する新しいアプローチを提案する。 この結果は,Train Ticketケーススタディの総合的な評価を通じて,我々のアプローチの可能性を示すものである。
• 参考スコア（独自算出の注目度）: 1.3812010983144802
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As organizations increasingly migrate their applications to the cloud, the optimization of microservices architectures becomes imperative for achieving sustainability goals. Nonetheless, sustainable deployments may increase costs and deteriorate performance, thus the identification of optimal tradeoffs among these conflicting requirements is a key objective not easy to achieve. This paper introduces a novel approach to support cloud deployment of microservices architectures by targeting optimal combinations of application performance, deployment costs, and power consumption. By leveraging genetic algorithms, specifically NSGA-II, we automate the generation of alternative architectural deployments. The results demonstrate the potential of our approach through a comprehensive assessment of the Train Ticket case study.
• Abstract（参考訳）: 組織がアプリケーションをクラウドに移行するにつれて、マイクロサービスアーキテクチャの最適化が持続可能性目標を達成する上で不可欠になる。 それでも、持続可能なデプロイメントはコストを増大させ、パフォーマンスを低下させる可能性があるため、これらの矛盾する要件の中で最適なトレードオフを特定することは、達成し難い重要な目標である。 本稿では,アプリケーション性能,デプロイメントコスト,消費電力の最適な組み合わせを目標として,マイクロサービスアーキテクチャのクラウド展開を支援する新たなアプローチを提案する。 遺伝的アルゴリズム、特にNSGA-IIを活用することで、代替アーキテクチャの配置を自動生成する。 この結果は,Train Ticketケーススタディの総合的な評価を通じて,我々のアプローチの可能性を示すものである。

関連論文リスト

• Transforming the Hybrid Cloud for Emerging AI Workloads [81.15269563290326]
  このホワイトペーパーでは、AIワークロードの複雑さの増大に対応するために、ハイブリッドクラウドシステムを変革することを想定している。 提案したフレームワークは、エネルギー効率、性能、コスト効率において重要な課題に対処する。 この共同イニシアチブは、ハイブリッドクラウドをセキュアで効率的で持続可能なプラットフォームとして確立することを目的としています。
  論文  参考訳（メタデータ） (2024-11-20T11:57:43Z)
• An Infrastructure Cost Optimised Algorithm for Partitioning of Microservices [20.638612359627952]
  アプリケーションをクラウドに移行することは、ソフトウェア業界で広く採用されているため、分散クラウドにデプロイするアプリケーションにとって、最も適しており、広く受け入れられているアーキテクチャパターンであることが証明されている。 信頼性や障害分離,スケーラビリティ,アセットメンテナンスの容易さやオーナシップ境界の明確化など,技術的メリットの両面から,その有効性を実現しています。 場合によっては、既存のアプリケーションをアーキテクチャに移行するという複雑さは、圧倒的に複雑でコストがかかります。
  論文  参考訳（メタデータ） (2024-08-13T02:08:59Z)
• A Learning-based Incentive Mechanism for Mobile AIGC Service in Decentralized Internet of Vehicles [49.86094523878003]
  モバイルAIGCサービスアロケーションのための分散インセンティブ機構を提案する。 我々は、AIGCサービスのRSUへの供給と、IoVコンテキスト内のサービスに対するユーザ要求のバランスを見つけるために、マルチエージェントの深層強化学習を採用している。
  論文  参考訳（メタデータ） (2024-03-29T12:46:07Z)
• A general Framework for Utilizing Metaheuristic Optimization for Sustainable Unrelated Parallel Machine Scheduling: A concise overview [1.9425072949353568]
  非関連並列機械スケジューリング問題(UPMSP)へのメタヒューリスティック最適化アルゴリズムの適用について検討する。 本稿では,遺伝的アルゴリズム,粒子群最適化,アリコロニー最適化などのメタヒューリスティックアルゴリズムについて検討する。 これらのアルゴリズムは、資源利用の向上、エネルギー消費の最小化、環境への影響の低減、社会的に責任のある実践を促進する能力に基づいて評価される。
  論文  参考訳（メタデータ） (2023-09-14T17:30:26Z)
• Dynamic Resource Allocation for Metaverse Applications with Deep Reinforcement Learning [64.75603723249837]
  そこで本研究では,Metaverse アプリケーション用の異なるタイプのリソースを動的に管理・割り当てする新しいフレームワークを提案する。 まず,アプリケーション間で共通関数を共有できるMetaInstancesという,アプリケーションをグループに分割する効果的なソリューションを提案する。 そこで我々は,要求到着プロセスとアプリケーション離脱プロセスのリアルタイム,動的,不確実な特性を捉えるために,セミマルコフ決定プロセスに基づくフレームワークを開発する。
  論文  参考訳（メタデータ） (2023-02-27T00:30:01Z)
• KAIROS: Building Cost-Efficient Machine Learning Inference Systems with Heterogeneous Cloud Resources [10.462798429064277]
  KAIROSは、目標達成時のクエリスループットとコスト予算を最大化する、新しいランタイムフレームワークである。 産業レベルのディープラーニング(DL)モデルを用いて評価した結果,KAIROSは最適均一解のスループットを最大2倍に向上することがわかった。
  論文  参考訳（メタデータ） (2022-10-12T03:06:51Z)
• Slimmable Domain Adaptation [112.19652651687402]
  重み付けモデルバンクを用いて、ドメイン間の一般化を改善するためのシンプルなフレームワーク、Slimmable Domain Adaptationを導入する。 私たちのフレームワークは、他の競合するアプローチを、複数のベンチマークにおいて非常に大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2022-06-14T06:28:04Z)
• ACE: Towards Application-Centric Edge-Cloud Collaborative Intelligence [14.379967483688834]
  機械学習に基づくインテリジェントなアプリケーションは、私たちの生活の多くの部分に影響を与えています。 クラウドで実行されている現在の実装は、これらの制約をすべて満たすことができない。 エッジクラウドコラボレーションインテリジェンス(Edge-Cloud Collaborative Intelligence)パラダイムは、このような問題に対処するための一般的なアプローチとなっている。
  論文  参考訳（メタデータ） (2022-03-24T13:12:33Z)
• 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)
• Optimization-Inspired Learning with Architecture Augmentations and Control Mechanisms for Low-Level Vision [74.9260745577362]
  本稿では,GDC(Generative, Discriminative, and Corrective)の原則を集約する,最適化に着想を得た統合学習フレームワークを提案する。 フレキシブルな組み合わせで最適化モデルを効果的に解くために,3つのプロパゲーティブモジュールを構築した。 低レベル視覚タスクにおける実験は、GDCの有効性と適応性を検証する。
  論文  参考訳（メタデータ） (2020-12-10T03:24:53Z)

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。