論文の概要: Statically Inferring Usage Bounds for Infrastructure as Code

• arxiv url: http://arxiv.org/abs/2402.15632v1
• Date: Fri, 23 Feb 2024 22:27:56 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-27 17:39:47.895698
• Title: Statically Inferring Usage Bounds for Infrastructure as Code
• Title（参考訳）: インフラストラクチャ・アズ・コードの利用限界を静的に推論する
• Authors: Feitong Qiao, Aryana Mohammadi, J\"urgen Cito, Mark Santolucito
• Abstract要約: インフラストラクチャ・アズ・コード(IaC)は、クラウドにプロビジョニングされたリソースの複雑なデプロイメントの作成と修正において、クラウド顧客がよりアジリティを持つことを可能にする。 本稿では,IaCデプロイメントにおけるリソース間相互作用を制約の集合としてモデル化し,詳細な静的利用分析を行うツールを提案する。
• 参考スコア（独自算出の注目度）: 0.9886108751871757
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Infrastructure as Code (IaC) has enabled cloud customers to have more agility in creating and modifying complex deployments of cloud-provisioned resources. By writing a configuration in IaC languages such as CloudFormation, users can declaratively specify their infrastructure and CloudFormation will handle the creation of the resources. However, understanding the complexity of IaC deployments has emerged as an unsolved issue. In particular, estimating the cost of an IaC deployment requires estimating the future usage and pricing models of every cloud resource in the deployment. Gaining transparency into predicted usage/costs is a leading challenge in cloud management. Existing work either relies on historical usage metrics to predict cost or on coarse-grain static analysis that ignores interactions between resources. Our key insight is that the topology of an IaC deployment imposes constraints on the usage of each resource, and we can formalize and automate the reasoning on constraints by using an SMT solver. This allows customers to have formal guarantees on the bounds of their cloud usage. We propose a tool for fine-grained static usage analysis that works by modeling the inter-resource interactions in an IaC deployment as a set of SMT constraints, and evaluate our tool on a benchmark of over 1000 real world IaC configurations.
• Abstract（参考訳）: インフラストラクチャ・アズ・コード(IaC)は、クラウドにプロビジョニングされたリソースの複雑なデプロイメントの作成と修正において、クラウド顧客がよりアジリティを持つことを可能にする。 CloudFormationのようなIaC言語で構成を記述することで、ユーザは自身のインフラストラクチャを宣言的に指定でき、CloudFormationはリソースの生成を処理する。 しかし、IaCデプロイメントの複雑さを理解することは未解決の問題として浮上している。 特に、IaCデプロイメントのコストを見積もるには、デプロイメント中のすべてのクラウドリソースの今後の使用状況と価格モデルの推定が必要です。 予測使用量/コストへの透明性の獲得は、クラウド管理における主要な課題である。 既存の作業は、コストを予測するために履歴的利用メトリクスに依存するか、リソース間のインタラクションを無視する粗い粒度の静的分析に依存する。 我々の重要な洞察は、IaCデプロイメントのトポロジが各リソースの使用に制約を課し、SMTソルバを使用して制約の推論を形式化し、自動化できるということです。 これにより、顧客はクラウド利用の限界を正式に保証できる。 本稿では,SMT制約のセットとしてIaCデプロイメントにおけるリソース間相互作用をモデル化し,実世界のIaC構成を1000を超えるベンチマークで評価する,詳細な静的利用分析ツールを提案する。

関連論文リスト

• Continuous reasoning for adaptive container image distribution in the cloud-edge continuum [1.9458156037869137]
  本稿では,コンテナイメージをクラウドエッジ連続体に複製する新たな宣言的アプローチを提案する。 リソースの可用性、ネットワークとストレージのコストを考慮すると、最適な配置を決定するために論理プログラミングを活用します。 ASPとPrologの継続的推論を組み合わせることで、コストの最適化と意思決定の迅速化を両立させることができることを示す。
  論文  参考訳（メタデータ） (2024-07-17T14:33:52Z)
• Predicting Resource Consumption of Kubernetes Container Systems using Resource Models [3.138731415322007]
  本稿では,クラウドシステムの資源モデルを実証的に導き出す方法について考察する。 私たちは、CPUとメモリリソースに明示的に準拠したフォーマルな言語でデプロイされたサービスのモデルに基づいています。 我々は、小規模なデプロイメントから収集したデータを経験的に活用して、より大きなデプロイメント上での高強度シナリオの実行をシミュレートする。
  論文  参考訳（メタデータ） (2023-05-12T17:59:01Z)
• Computationally Budgeted Continual Learning: What Does Matter? [128.0827987414154]
  CL (Continuous Learning) は、新しいデータに適応しながら、以前の知識を保存し、分布の異なる入力データのストリーム上でモデルを逐次訓練することを目的としている。 現在のCL文献では、以前のデータへのアクセス制限に焦点が当てられているが、トレーニングの計算予算に制約は課されていない。 本稿では,この問題を大規模ベンチマークで再検討し,計算制約条件下での従来のCL手法の性能解析を行う。
  論文  参考訳（メタデータ） (2023-03-20T14:50:27Z)
• SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
  本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。 しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
  論文  参考訳（メタデータ） (2021-12-22T14:45:37Z)
• 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)
• CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
  最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。 このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。 本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
  論文  参考訳（メタデータ） (2021-02-24T09:16:10Z)
• A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
  Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。 顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
  論文  参考訳（メタデータ） (2020-10-10T17:35:55Z)
• AI-based Resource Allocation: Reinforcement Learning for Adaptive Auto-scaling in Serverless Environments [0.0]
  近年、サーバーレスコンピューティングはクラウドコンピューティングモデルの魅力的な新しいパラダイムとして現れています。 商用およびオープンソースのサーバレスコンピューティングプラットフォームに共通するアプローチは、ワークロードベースの自動スケーリングである。 本稿では、サーバーレスフレームワークにおける要求ベース自動スケーリングに対する強化学習アプローチの適用性について検討する。
  論文  参考訳（メタデータ） (2020-05-29T06:18:39Z)
• Budget Learning via Bracketing [50.085728094234476]
  予算学習の問題は、学習者の目標として、雲の使用を最小限に抑えつつ、精度の明確な損失を被ることである。 本稿ではブラケットの概念を用いてBL問題に対する新しい定式化を提案する。 我々は、実世界のデータセットに関する我々の理論を実証的に検証し、事前ゲーティングに基づく手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-04-14T04:38:14Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。