論文の概要: Rethinking State Management in Actor Systems for Cloud-Native Applications

• arxiv url: http://arxiv.org/abs/2410.15831v1
• Date: Mon, 21 Oct 2024 09:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-10-22 13:19:17.682987
• Title: Rethinking State Management in Actor Systems for Cloud-Native Applications
• Title（参考訳）: クラウドネイティブアプリケーションのためのアクタシステムにおける状態管理の再考
• Authors: Yijian Liu, Rodrigo Laigner, Yongluan Zhou,
• Abstract要約: 我々はアクターシステムのための新しいデータ管理層であるSmSaを開発した。 開発者は、外部キーやデータレプリケーションなど、アクター間で切断された依存関係を宣言できる。 SmSaは、コンポーネント間の依存関係が頻繁にアプリケーションロジックやパフォーマンスを損なうような、コアデータ管理タスクをサポートします。
• 参考スコア（独自算出の注目度）: 2.2665094235990124
• License:
• Abstract: The actor model has gained increasing popularity. However, it lacks support for complex state management tasks, such as enforcing foreign key constraints and ensuring data replication consistency across actors. These are crucial properties in partitioned application designs, such as microservices. To fill this gap, we start by analyzing the key impediments in state-of-the-art actor systems. We find it difficult for developers to express complex data relationships across actors and reason about the impact of state updates on performance due to opaque state management abstractions. To solve this conundrum, we develop SmSa, a novel data management layer for actor systems, allowing developers to declare data dependencies that cut across actors, including foreign keys, data replications, and other dependencies. SmSa can transparently enforce the declared dependencies, reducing the burden on developers. Furthermore, SmSa employs novel logging and concurrency control algorithms to support transactional maintenance of data dependencies. We demonstrate SmSa can support core data management tasks where dependencies across components appear frequently without jeopardizing application logic expressiveness and performance. Our experiments show SmSa significantly reduces the logging overhead and leads to increased concurrency level, improving by up to 2X the performance of state-of-the-art deterministic scheduling approaches. As a result, SmSa will make it easier to design and implement highly partitioned and distributed applications.
• Abstract（参考訳）: アクターモデルの人気が高まっている。 しかしながら、外部キー制約の実施やアクター間のデータのレプリケーション一貫性の確保など、複雑な状態管理タスクのサポートは欠如している。 これらはマイクロサービスのような分割されたアプリケーション設計において重要な特性である。 このギャップを埋めるために、我々は最先端のアクターシステムにおける重要な障害を分析することから始める。 開発者がアクター間の複雑なデータ関係を表現し、不透明な状態管理抽象化による状態更新がパフォーマンスに与える影響を判断することは困難です。 この問題を解決するために,アクタシステム用の新しいデータ管理層であるSmSaを開発し,外部キーやデータレプリケーション,その他の依存関係を含むアクタ間で切断されたデータ依存関係を宣言する。 SmSaは宣言された依存関係を透過的に強制し、開発者の負担を軽減することができる。 さらにSmSaは、データ依存関係のトランザクション保守をサポートするために、新しいロギングと並行性制御アルゴリズムを採用している。 SmSaは、アプリケーションロジックの表現力やパフォーマンスを損なうことなく、コンポーネント間の依存関係が頻繁に現れる、コアデータ管理タスクをサポートできます。 実験の結果、SmSaはロギングのオーバーヘッドを大幅に減らし、並列化レベルが向上し、最先端の決定論的スケジューリング手法の性能が最大2倍向上した。 その結果、SmSaは高度に分割された分散アプリケーションの設計と実装を容易にする。

関連論文リスト

• Histrio: a Serverless Actor System [44.99833362998488]
  Histrioはステートフルアプリケーションの開発を簡単にするプログラミングモデルと実行環境である。 これは、状態管理、データベースのインタラクション、開発者によるプログラミング処理といった懸念を和らげます。 つまり、アプリケーションは常に外部クライアントとのインタラクションが1度だけ処理されたかのように振る舞うということです。
  論文  参考訳（メタデータ） (2024-10-29T06:58:56Z)
• Can Long-Context Language Models Subsume Retrieval, RAG, SQL, and More? [54.667202878390526]
  長文言語モデル(LCLM)は、従来、検索システムやデータベースといった外部ツールに依存していたタスクへのアプローチに革命をもたらす可能性がある。 実世界のタスクのベンチマークであるLOFTを導入し、文脈内検索と推論においてLCLMの性能を評価するために設計された数百万のトークンを出力する。 以上の結果からLCLMは,これらのタスクを明示的に訓練したことがないにも関わらず,最先端の検索システムやRAGシステムと競合する驚くべき能力を示した。
  論文  参考訳（メタデータ） (2024-06-19T00:28:58Z)
• Decision Mamba: A Multi-Grained State Space Model with Self-Evolution Regularization for Offline RL [57.202733701029594]
  決定マンバ(Decision Mamba)は、自己進化的な政策学習戦略を持つ、新しい多粒状態空間モデルである。 雑音性軌道上における過度に適合する問題を緩和するために,進行正則化を用いて自己進化政策を提案する。 この政策は、自身の過去の知識を用いて、準最適動作を洗練させ、ノイズの多い実演における堅牢性を高めることで進化する。
  論文  参考訳（メタデータ） (2024-06-08T10:12:00Z)
• See to Believe: Using Visualization To Motivate Updating Third-party Dependencies [1.7914660044009358]
  サードパーティの依存関係を使用したアプリケーションによって導入されたセキュリティ脆弱性が増加している。 開発者はライブラリのアップデートに注意を払っており、脆弱性の修正にも注意している。 本稿では、依存性グラフ可視化(DGV)アプローチが、開発者が更新を動機付けると仮定する。
  論文  参考訳（メタデータ） (2024-05-15T03:57:27Z)
• X-lifecycle Learning for Cloud Incident Management using LLMs [18.076347758182067]
  大規模なクラウドサービスのインシデント管理は複雑で面倒なプロセスです。 大規模言語モデル [LLMs] の最近の進歩は、コンテキストレコメンデーションを自動的に生成する機会を生み出した。 本稿では,SDLCの異なる段階から追加のコンテキストデータを追加することで,性能が向上することを示す。
  論文  参考訳（メタデータ） (2024-02-15T06:19:02Z)
• Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
  根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。 ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。 また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
  論文  参考訳（メタデータ） (2024-02-04T05:50:38Z)
• Open RAN LSTM Traffic Prediction and Slice Management using Deep Reinforcement Learning [7.473473066047965]
  本稿では,分散深部強化学習(DDRL)を用いたORANスライシングの新しい手法を提案する。 シミュレーションの結果,ネットワーク性能が著しく向上し,特に違反の低減が図られた。 これは、動的xAppの一部として、予測rAppと分散アクターの情報を共同で使用することの重要性を強調している。
  論文  参考訳（メタデータ） (2024-01-12T22:43:07Z)
• TACO: Temporal Latent Action-Driven Contrastive Loss for Visual Reinforcement Learning [73.53576440536682]
  時間的行動駆動型コントラスト学習(TACO: Temporal Action-driven Contrastive Learning)は、時間的コントラスト学習の強力なアプローチである。 TACOは、現在の状態の表現間の相互情報を最適化することにより、状態と行動表現を同時に学習する。 オンラインRLでは、TACOは100万の環境インタラクションステップの後、40%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2023-06-22T22:21:53Z)
• Object as a Service (OaaS): Enabling Object Abstraction in Serverless Clouds [2.0575037267955305]
  我々は,Object as a Service (O)プログラミングとして知られる関数抽象化の上位に,新しい抽象化レベルを提案する。 Oはアプリケーションデータと機能をオブジェクトの抽象化にカプセル化し、開発者はリソースやデータ管理の負担を軽減します。 また、ソフトウェア再利用性、データのローカリティ、キャッシュなど、組み込み最適化機能の機会を開放する。
  論文  参考訳（メタデータ） (2022-06-10T21:31:22Z)
• 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)

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。