Fugu-MT 論文翻訳(概要): Interoperability From Kieker to OpenTelemetry: Demonstrated as Export to ExplorViz

論文の概要: Interoperability From Kieker to OpenTelemetry: Demonstrated as Export to ExplorViz

arxiv url: http://arxiv.org/abs/2411.07982v1
Date: Tue, 12 Nov 2024 18:06:09 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-13 13:18:08.079748
Title: Interoperability From Kieker to OpenTelemetry: Demonstrated as Export to ExplorViz
Title（参考訳）: KiekerからOpenTelemetryへの相互運用性:ExploreVizへの輸出を実証
Authors: David Georg Reichelt, Malte Hansen, Shinhyung Yang, Wilhelm Hasselbring,
Abstract要約: 分散トレースデータをOpenTelemetryにエクスポートする方法を説明する。これはpipe-and-filterフレームワークであるTeeTimeを使って行われる。 We demonstrate the userability of our approach by visualize trace data of TeaStore in the ExplorViz visualization tool。
参考スコア（独自算出の注目度）: 0.26249027950824505
License:
Abstract: While the observability framework Kieker has a low overhead for tracing, its results currently cannot be used in most analysis tools due to lack of interoperability of the data formats. The OpenTelemetry standard aims for standardizing observability data. In this work, we describe how to export Kieker distributed tracing data to OpenTelemetry. This is done using the pipe-and-filter framework TeeTime. For TeeTime, a stage was defined that uses Kieker execution data, which can be created from most record types. We demonstrate the usability of our approach by visualizing trace data of TeaStore in the ExplorViz visualization tool.
Abstract（参考訳）: 可観測性フレームワークのKeekerはトレースのオーバーヘッドが低いが、データフォーマットの相互運用性が欠如しているため、現時点ではほとんどの分析ツールでは使用できない。 OpenTelemetry標準は、可観測データの標準化を目的としている。本稿では,Keekerの分散トレースデータをOpenTelemetryにエクスポートする方法を説明する。これはpipe-and-filterフレームワークであるTeeTimeを使って行われる。 TeeTimeでは、ほとんどのレコードタイプから作成可能なKeeker実行データを使用するステージが定義された。 We demonstrate the userability of our approach by visualize trace data of TeaStore in the ExplorViz visualization tool。

関連論文リスト

MADE-WIC: Multiple Annotated Datasets for Exploring Weaknesses In Code [2.399010142304227]
MADE-WICは、機能とコメントの大規模なデータセットであり、技術的負債とコードの弱点に対する複数のアノテーションがある。約860Kのコード関数と、12のオープンソースプロジェクトからの2.7M以上の関連コメントが含まれている。
論文参考訳（メタデータ） (2024-08-09T16:32:38Z)
Temporal Correlation Meets Embedding: Towards a 2nd Generation of JDE-based Real-Time Multi-Object Tracking [52.04679257903805]
共同検出・埋め込み(JDE)トラッカーは多目的追跡(MOT)タスクにおいて優れた性能を示した。 TCBTrackという名前のトラッカーは、複数の公開ベンチマークで最先端のパフォーマンスを実現しています。
論文参考訳（メタデータ） (2024-07-19T07:48:45Z)
Convolutional Unscented Kalman Filter for Multi-Object Tracking with Outliers [17.38485814970625]
マルチオブジェクトトラッキング(MOT)は、自律運転におけるナビゲーションに不可欠な技術である。近年, トラッキング手法は, 外乱を観測するフィルタリングアルゴリズムに基づいており, トラッキング精度の低下や, オブジェクトの軌跡の喪失さえも生じている。我々は,ConvUKFが外れ値の存在下で有界な追跡誤差を持つことを示す。
論文参考訳（メタデータ） (2024-06-03T14:42:38Z)
Temporal Graph Benchmark for Machine Learning on Temporal Graphs [54.52243310226456]
テンポラルグラフベンチマーク(TGB)は、困難で多様なベンチマークデータセットのコレクションである。各データセットをベンチマークし、共通のモデルのパフォーマンスがデータセット間で大きく異なることを発見した。 TGBは、再現可能でアクセス可能な時間グラフ研究のための自動機械学習パイプラインを提供する。
論文参考訳（メタデータ） (2023-07-03T13:58:20Z)
GLEN: General-Purpose Event Detection for Thousands of Types [80.99866527772512]
汎用的なイベント検出データセットGLENを構築し、205Kイベントの参照を3,465種類の異なるタイプでカバーしています。 GLENはオントロジーにおいて、今日の最大のイベントデータセットよりも20倍大きい。また,GLENの大規模化に特化して設計された多段階イベント検出モデルCEDARを提案する。
論文参考訳（メタデータ） (2023-03-16T05:36:38Z)
A scalable pipeline for COVID-19: the case study of Germany, Czechia and Poland [7.753854979677439]
複数のデータソースからデータセットを統合するために,運用データストア(ODS)を構築した。 ODSは、ドイツ、チェコ、ポーランドの新型コロナウイルス(COVID-19)データを保管するだけでなく、他の地域も保存するために構築されている。データは、バージョン管理されたArimaHoltモデルとその他の分析を使用して予測をサポートし、意思決定をサポートするだけでなく、リスク電卓やアプリもサポートする。
論文参考訳（メタデータ） (2022-08-27T05:14:01Z)
Occlusion Aware Kernel Correlation Filter Tracker using RGB-D [0.0]
この論文はまず、カーネル化相関フィルタトラッカーの動作プロトタイプについて詳述する。リアルタイムアプリケーションにおけるその有効性と可視化支援について検討する。また,粒子フィルタを用いてトラッカーの精度を向上させることも検討した。
論文参考訳（メタデータ） (2021-05-25T18:37:39Z)
A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
論文参考訳（メタデータ） (2021-01-22T09:59:30Z)
Correlation-wise Smoothing: Lightweight Knowledge Extraction for HPC Monitoring Data [1.802439717192088]
本稿では,時系列モニタリングデータから記述的シグネチャを抽出する手法として相関ワイド・スムーシング(CS)を提案する。提案手法は,データ次元間の相関を利用してグループを形成し,容易に操作し,視覚化し,比較できる画像様のシグネチャを生成する。我々は,本研究でリリースしたデータセットの集合であるHPC-ODA上でのCS法の評価を行い,ほとんどの最先端手法と同等の性能を示す。
論文参考訳（メタデータ） (2020-10-13T05:22:47Z)
Towards End-to-end Video-based Eye-Tracking [50.0630362419371]
画像のみから視線を推定することは、観察不可能な人固有の要因のために難しい課題である。本稿では,これらの意味的関係と時間的関係を明確に学習することを目的とした,新しいデータセットとアタッチメント手法を提案する。視覚刺激からの情報と視線画像の融合が,文献に記録された人物と同じような性能を達成することにつながることを実証した。
論文参考訳（メタデータ） (2020-07-26T12:39:15Z)
PyODDS: An End-to-end Outlier Detection System with Automated Machine Learning [55.32009000204512]
PyODDSは、データベースサポート付きアウトレイラ検出のための、エンドツーエンドのPythonシステムである。具体的には,探索空間を外乱検出パイプラインで定義し,与えられた探索空間内で探索戦略を作成する。また、データサイエンスや機械学習のバックグラウンドの有無に関わらず、統一されたインターフェイスと視覚化を提供する。
論文参考訳（メタデータ） (2020-03-12T03:30:30Z)

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。