論文の概要: ABACUS: A FinOps Service for Cloud Cost Optimization

• arxiv url: http://arxiv.org/abs/2501.14753v1
• Date: Sun, 22 Dec 2024 20:26:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-02 06:49:58.809566
• Title: ABACUS: A FinOps Service for Cloud Cost Optimization
• Title（参考訳）: ABACUS: クラウドコスト最適化のためのFinOpsサービス
• Authors: Saurabh Deochake,
• Abstract要約: FinOpsのプラクティスは、企業がクラウド利用の可視性とコスト最適化を実現するための手段を提供する。 ABACUSはクラウドコストを最適化するためのFinOpsソリューションで、予算を設定し、新しいデプロイメントをブロックすることでそれらの予算を強制し、予算のしきい値を破った場合に適切なチームに警告する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In recent years, as more enterprises have moved their infrastructure to the cloud, significant challenges have emerged in achieving holistic cloud spend visibility and cost optimization. FinOps practices provide a way for enterprises to achieve these business goals by optimizing cloud costs and bringing accountability to cloud spend. This paper presents ABACUS - Automated Budget Analysis and Cloud Usage Surveillance, a FinOps solution for optimizing cloud costs by setting budgets, enforcing those budgets through blocking new deployments, and alerting appropriate teams if spending breaches a budget threshold. ABACUS also leverages best practices like Infrastructure-as-Code to alert engineering teams of the expected cost of deployment before resources are deployed in the cloud. Finally, future research directions are proposed to advance the state of the art in this important field.
• Abstract（参考訳）: 近年、より多くの企業がインフラをクラウドに移すにつれて、全体的なクラウド利用の可視性とコスト最適化を達成する上で大きな課題が生まれている。 FinOpsのプラクティスは、クラウドコストを最適化し、クラウド支出に説明責任をもたらすことによって、企業がこれらのビジネス目標を達成するための手段を提供する。 ABACUS - Automated Budget Analysis and Cloud Usage Surveillanceという,予算の設定によるクラウドコストの最適化,新たなデプロイメントのブロックによる予算強化,予算のしきい値に違反した場合の適切なチームへの警告を行うFinOpsソリューションを提案する。 ABACUSはまた、Infrastructure-as-Codeのようなベストプラクティスを活用して、リソースがクラウドにデプロイされる前に、エンジニアリングチームが予想されるデプロイコストを警告する。 最後に、この重要な分野における最先端技術を推進するための今後の研究方向を提案する。

関連論文リスト

• Building Castles in the Cloud: Architecting Resilient and Scalable Infrastructure [0.0]
  本論文では,クラウド環境内におけるコンテキスト設計に必要な重要な対策について考察する。 レプリケーションサーバ、フォールトトレランス、ディザスタバックアップ、高可用性のためのロードバランシングの必要性について検討している。
  論文  参考訳（メタデータ） (2024-10-29T04:56:34Z)
• Cost-Sensitive Multi-Fidelity Bayesian Optimization with Transfer of Learning Curve Extrapolation [55.75188191403343]
  各ユーザが事前に定義した機能であるユーティリティを導入し,BOのコストと性能のトレードオフについて述べる。 このアルゴリズムをLCデータセット上で検証した結果,従来のマルチファイルBOや転送BOベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2024-05-28T07:38:39Z)
• Statically Inferring Usage Bounds for Infrastructure as Code [0.9886108751871757]
  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。
  論文  参考訳（メタデータ） (2024-02-23T22:27:56Z)
• How Can We Train Deep Learning Models Across Clouds and Continents? An Experimental Study [57.97785297481162]
  代表的なCV, NLP, ASRモデルに対して, 異なるゾーン, 大陸, 雲におけるトレーニングの費用とスループットについて検討した。 スポット価格を活用することで、複数の安価なインスタンスでモデルをトレーニングし、より集中的かつ強力なハードウェアと、競争力のある価格でオンデマンドのクラウド製品の両方を台無しにする、新たなコスト効率の方法が実現されることを示す。
  論文  参考訳（メタデータ） (2023-06-05T18:17:37Z)
• Mining for Cost Awareness in the Infrastructure as Code Artifacts of Cloud-based Applications: an Exploratory Study [1.5612101323427952]
  本研究の目的は,クラウドベースのアプリケーションのオープンソースリポジトリをマイニングすることで,コスト意識の実証的な証拠を提供することである。 152,735のリポジトリを体系的に検索した結果、2,010の関連リポジトリが選択された。 この結果から、開発者はアプリケーションデプロイメントのコストだけでなく、これらのコストを削減するためのアクションも気にしていることがわかる。
  論文  参考訳（メタデータ） (2023-04-15T10:49:35Z)
• Managing Cold-start in The Serverless Cloud with Temporal Convolutional Networks [0.0]
  サーバレスクラウドは革新的なクラウドサービスモデルであり、多くのクラウド管理業務から顧客を解放します。 サーバーレスクラウドのパフォーマンスに対する大きな脅威はコールドスタートであり、顧客の要求に応えるために必要なクラウドリソースをプロビジョニングするとき、サービスプロバイダや/または顧客に受け入れられないコストが発生する。 本稿では、サーバーレスクラウドスタックのインフラストラクチャおよびファンクションレベルにおけるコールドスタート問題に対処する、新しい低結合・高結合アンサンブルポリシーを提案する。
  論文  参考訳（メタデータ） (2023-04-01T21:54:22Z)
• 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)
• Optimizing Data Collection for Machine Learning [87.37252958806856]
  現代のディープラーニングシステムは、素晴らしいパフォーマンスを達成するために巨大なデータセットを必要とします。 過度に収集したデータは不要な現在のコストを発生させる一方、過度に収集したデータは将来のコストと遅延を引き起こす可能性がある。 本稿では,データ収集を形式的最適データ収集問題としてモデル化するための新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-10-03T21:19:05Z)
• Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
  我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。 私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-10T17:04:04Z)
• 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)
• 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)

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。