論文の概要: Mint: Cost-Efficient Tracing with All Requests Collection via Commonality and Variability Analysis

• arxiv url: http://arxiv.org/abs/2411.04605v1
• Date: Thu, 07 Nov 2024 10:40:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:39:41.804441
• Title: Mint: Cost-Efficient Tracing with All Requests Collection via Commonality and Variability Analysis
• Title（参考訳）: Mint: 共通性と変数分析によるすべてのリクエストコレクションによるコスト効率の高いトレース
• Authors: Haiyu Huang, Cheng Chen, Kunyi Chen, Pengfei Chen, Guangba Yu, Zilong He, Yilun Wang, Huxing Zhang, Qi Zhou,
• Abstract要約: 我々は,エージェント側で"共通性+可変性"パラダイムを実装し,すべての要求をキャプチャできるコスト効率のよいトレースフレームワークMintを提案する。 我々の実験は、Mintがすべてのトレースを捕捉し、トレースストレージ(平均2.7%)とネットワークオーバーヘッド(平均4.2%)を最適化しながら、より多くのトレース情報を保持できることを示した。
• 参考スコア（独自算出の注目度）: 9.321039572596616
• License:
• Abstract: Distributed traces contain valuable information but are often massive in volume, posing a core challenge in tracing framework design: balancing the tradeoff between preserving essential trace information and reducing trace volume. To address this tradeoff, previous approaches typically used a '1 or 0' sampling strategy: retaining sampled traces while completely discarding unsampled ones. However, based on an empirical study on real-world production traces, we discover that the '1 or 0' strategy actually fails to effectively balance this tradeoff. To achieve a more balanced outcome, we shift the strategy from the '1 or 0' paradigm to the 'commonality + variability' paradigm. The core of 'commonality + variability' paradigm is to first parse traces into common patterns and variable parameters, then aggregate the patterns and filter the parameters. We propose a cost-efficient tracing framework, Mint, which implements the 'commonality + variability' paradigm on the agent side to enable all requests capturing. Our experiments show that Mint can capture all traces and retain more trace information while optimizing trace storage (reduced to an average of 2.7%) and network overhead (reduced to an average of 4.2%). Moreover, experiments also demonstrate that Mint is lightweight enough for production use.
• Abstract（参考訳）: 分散トレースには貴重な情報が含まれているが、多くの場合は大量である。フレームワーク設計のトレースにおいて、重要なトレース情報を保存することと、トレースボリュームを減らすことのトレードオフのバランスという、中核的な課題が引き起こされる。 このトレードオフに対処するために、従来のアプローチでは'1 or 0'サンプリング戦略を使用していた。 しかし、実世界の生産トレースに関する実証的研究から、'1 or 0'戦略は、このトレードオフを効果的にバランスできないことが判明した。 よりバランスの取れた結果を達成するために、戦略を'1 or 0'パラダイムから'共通性+可変性'パラダイムにシフトします。 パラダイムのコアとなるのは、まずトレースを共通のパターンと変数パラメータに解析し、次にパターンを集約してパラメータをフィルタリングすることです。 我々は,エージェント側で"共通性+可変性"パラダイムを実装し,すべての要求をキャプチャできるコスト効率のよいトレースフレームワークMintを提案する。 我々の実験によると、Mintはすべてのトレースを捕捉し、トレースストレージ(平均2.7%)とネットワークオーバーヘッド(平均4.2%)を最適化しながら、より多くのトレース情報を保持できる。 さらに、Mintはプロダクションで使うのに十分軽量であることを示す実験もある。

関連論文リスト

• TraceMesh: Scalable and Streaming Sampling for Distributed Traces [51.08892669409318]
  TraceMeshは、分散トレースのためのスケーラブルでストリーミングなサンプリングツールである。 以前は見つからなかったトレース機能を、統一的で合理化された方法で扱える。 TraceMeshは、サンプリング精度と効率の両方において、最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-06-11T06:13:58Z)
• A Unified Approach to Learning Ising Models: Beyond Independence and Bounded Width [7.605563562103568]
  我々はIsingモデルの基本パラメータをデータから効率的に学習する問題を再考する。 ノード単位のロジスティック回帰に基づく単純な既存手法が、いくつかの新しい設定で基盤モデルの回復に成功していることを示す。
  論文  参考訳（メタデータ） (2023-11-15T18:41:19Z)
• Out-Of-Domain Unlabeled Data Improves Generalization [0.7589678255312519]
  本稿では,ラベルなしデータを半教師付き分類問題に組み込む新しい枠組みを提案する。 ラベルのないサンプルは一般化ギャップを狭めるために利用できることを示す。 我々は、さまざまな合成および実世界のデータセットで実施された実験を通じて、我々の主張を検証する。
  論文  参考訳（メタデータ） (2023-09-29T02:00:03Z)
• Sample-Efficient Linear Representation Learning from Non-IID Non-Isotropic Data [4.971690889257356]
  コリンズとナイアーとヴァスワニによって提案された交互最小化・退化スキームの適応について紹介する。 iidにおいてもバニラ変動最小化降下は破滅的に失敗するが, 軽度に非等方性データは得られない。 我々の分析は、事前の作業を統一し、一般化し、幅広いアプリケーションに柔軟なフレームワークを提供する。
  論文  参考訳（メタデータ） (2023-08-08T17:56:20Z)
• Saliency Grafting: Innocuous Attribution-Guided Mixup with Calibrated Label Mixing [104.630875328668]
  ミックスアップスキームは、強化されたトレーニングサンプルを作成するために、サンプルのペアを混ぜることを提案する。 両世界のベストを捉えた、斬新だがシンプルなミックスアップ版を提示する。
  論文  参考訳（メタデータ） (2021-12-16T11:27:48Z)
• Jo-SRC: A Contrastive Approach for Combating Noisy Labels [58.867237220886885]
  Jo-SRC (Joint Sample Selection and Model Regularization based on Consistency) というノイズロバスト手法を提案する。 具体的には、対照的な学習方法でネットワークをトレーニングする。 各サンプルの2つの異なるビューからの予測は、クリーンまたは分布不足の「可能性」を推定するために使用されます。
  論文  参考訳（メタデータ） (2021-03-24T07:26:07Z)
• Neural Passage Retrieval with Improved Negative Contrast [21.415627458949356]
  我々は、通常、二重エンコーダモデルの訓練に使用される正のランダムサンプリングを補完する4つの負のサンプリング戦略を探求する。 検索に基づく戦略は,意味的類似性と質問文と文節間の語彙的重複に基づく。 その結果、オープンドメインの質問応答データセットの2つに対して、最先端のパフォーマンスの新たなレベルを確立した。
  論文  参考訳（メタデータ） (2020-10-23T16:45:06Z)
• A Provably Efficient Sample Collection Strategy for Reinforcement Learning [123.69175280309226]
  オンライン強化学習(RL)における課題の1つは、エージェントがその振る舞いを最適化するために、環境の探索とサンプルの活用をトレードオフする必要があることである。 1) 生成モデル(環境のスパースシミュレータなど)にアクセス可能な状態のサンプル数を規定する「対象別」アルゴリズム,2) 所定のサンプルをできるだけ早く生成する「対象別」サンプル収集。
  論文  参考訳（メタデータ） (2020-07-13T15:17:35Z)
• Least Squares Regression with Markovian Data: Fundamental Limits and Algorithms [69.45237691598774]
  マルコフ連鎖からデータポイントが依存しサンプリングされる最小二乗線形回帰問題について検討する。 この問題を$tau_mathsfmix$という観点から、鋭い情報理論のミニマックス下限を確立する。 本稿では,経験的リプレイに基づくアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-16T04:26:50Z)
• Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
  地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。 サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。 サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
  論文  参考訳（メタデータ） (2020-06-11T16:19:16Z)

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。