論文の概要: How Does Microservice Granularity Impact Energy Consumption and Performance? A Controlled Experiment

• arxiv url: http://arxiv.org/abs/2502.00482v1
• Date: Sat, 01 Feb 2025 16:10:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:02:35.320349
• Title: How Does Microservice Granularity Impact Energy Consumption and Performance? A Controlled Experiment
• Title（参考訳）: マイクロサービスの粒度はエネルギー消費とパフォーマンスにどのように影響するか? 制御実験
• Authors: Yiming Zhao, Tiziano De Matteis, Justus Bogner,
• Abstract要約: 異なるスケールの2つのオープンソースのマイクロサービスベースシステムを用いた制御実験を行った。 各システムに対して、サービスやマージによる3つのレベルの粒度を作成しました。 粒度は平均461J以上のエネルギー (13%) で消費され、粗い粒度に比べて応答時間 (14%) に5.2msを加えた。
• 参考スコア（独自算出の注目度）: 8.756462820891306
• License:
• Abstract: Context: Microservice architectures are a widely used software deployment approach, with benefits regarding flexibility and scalability. However, their impact on energy consumption is poorly understood, and often overlooked in favor of performance and other quality attributes (QAs). One understudied concept in this area is microservice granularity, i.e., over how many services the system functionality is distributed. Objective: We therefore aim to analyze the relationship between microservice granularity and two critical QAs in microservice-based systems: energy consumption and performance. Method: We conducted a controlled experiment using two open-source microservice-based systems of different scales: the small Pet Clinic system and the large Train Ticket system. For each system, we created three levels of granularity by merging or splitting services (coarse, medium, and fine) and then exposed them to five levels of request frequency. Results: Our findings revealed that: i) granularity significantly affected both energy consumption and response time, e.g., in the large system, fine granularity consumed on average 461 J more energy (13%) and added 5.2 ms to response time (14%) compared to coarse granularity; ii) higher request loads significantly increased both energy consumption and response times, with moving from 40 to 400 requests / s resulting in 651 J higher energy consumption (23%) and 41.2 ms longer response times (98%); iii) there is a complex relationship between granularity, system scale, energy consumption, and performance that warrants careful consideration in microservice design. We derive generalizable takeaways from our results. Conclusion: Microservices practitioners should take our findings into account when making granularity-related decisions, especially for large-scale systems.
• Abstract（参考訳）: コンテキスト: マイクロサービスアーキテクチャはソフトウェアデプロイメントのアプローチとして広く使われており、柔軟性とスケーラビリティに関するメリットがあります。 しかしながら、エネルギー消費への影響はよく理解されておらず、しばしば性能やその他の品質特性(QA)を優先して見過ごされる。 この領域で未調査のコンセプトのひとつは、マイクロサービスの粒度、すなわち、システム機能が分散しているサービスの数に関するものだ。 目的: マイクロサービスベースのシステムでは,粒度と2つの重要なQA – エネルギー消費とパフォーマンス – の関係を分析することを目的としている。 方法: 小型のペットクリニックシステムと大型のTrain Ticketシステムという,異なるスケールの2つのオープンソースのマイクロサービスベースシステムを用いた制御実験を行った。 各システムに対して,サービス(粗度,中度,罰金)をマージあるいは分割して3レベルの粒度を生成し,それらを5レベルの要求周波数に公開しました。 結果: 以下の結果が得られた。 一 大規模システムにおいて、エネルギー消費及び応答時間(g)の双方に大きく影響し、平均461J以上のエネルギー(13%)で消費される微粒度が粗粒度に比べて5.2ms(4%)増加したこと。 ii) 要求負荷の増加はエネルギー消費と応答時間の両方を有意に増加させ, 40～400リクエスト/秒から651J高エネルギー(23%), 41.2ms長応答時間(98%)へと移行した。 三 粒度、システム規模、エネルギー消費と性能の間に複雑な関係があり、マイクロサービス設計において慎重に考慮することを保証します。 結果から一般化可能なテイクアウトを導き出す。 結論: マイクロサービスの実践者は、特に大規模システムにおいて、粒度に関する決定を行う際に、私たちの発見を考慮に入れなければなりません。

関連論文リスト

• Distributed Multi-Head Learning Systems for Power Consumption Prediction [59.293903039988884]
  スマートファクトリにおける消費電力予測のための分散マルチヘッド学習(DMH)システムを提案する。 DMHシステムは分散および分割学習として設計され、クライアント間通信コストが削減される。 DMH-Eシステムは最先端システムのエラーを14.5%から24.0%削減する。
  論文  参考訳（メタデータ） (2025-01-21T13:46:23Z)
• Unveiling the Energy Vampires: A Methodology for Debugging Software Energy Consumption [5.602876058122268]
  本稿では,ソフトウェアシステムにおけるエネルギー消費ホットスポットの同定と分離のためのエネルギーデバッグ手法を提案する。 分析の結果,AlpineディストリビューションとUbuntuディストリビューションのエネルギー消費の相違が明らかとなった。 我々は,memcpyの分離とベンチマークにより,エネルギー差の主な原因として確認した。
  論文  参考訳（メタデータ） (2024-12-13T11:49:19Z)
• MLPerf Power: Benchmarking the Energy Efficiency of Machine Learning Systems from Microwatts to Megawatts for Sustainable AI [5.50579824344998]
  機械学習(ML)技術は、さまざまなシステムで電力消費が急増している。 本稿では,マイクロワットからメガワットまでの電力レベルでMLシステムのエネルギー効率を評価するための総合的なベンチマーク手法であるSerf Powerを紹介する。
  論文  参考訳（メタデータ） (2024-10-15T20:06:33Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• Multiagent Reinforcement Learning with an Attention Mechanism for Improving Energy Efficiency in LoRa Networks [52.96907334080273]
  ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。 マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。 シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
  論文  参考訳（メタデータ） (2023-09-16T11:37:23Z)
• Research on Efficiency Analysis of Microservices [0.0]
  本研究では,従来の大規模サービスをnに分割した場合の効率差を分析するために,待ち行列モデルに基づく効率解析フレームワークを提案する。 複数のサービスに分割することで、システム効率が効果的に向上し、大規模サービスの時間が複数に均等に分散されている場合、最高の改善効果が達成できることを示した。
  論文  参考訳（メタデータ） (2023-03-21T02:00:28Z)
• MicroRes: Versatile Resilience Profiling in Microservices via Degradation Dissemination Indexing [29.456286275972474]
  マイクロサービスのレジリエンス — 障害から回復し、信頼性と応答性を備えたサービスを提供し続ける能力 — は、クラウドベンダにとって極めて重要です。 現在のプラクティスは、特定のマイクロサービスシステムに手動で設定された特定のルールに依存しており、結果として労働強度と柔軟性の問題が発生します。 私たちの洞察では、レジリエントなデプロイメントは、システムパフォーマンスからユーザ対応メトリクスへの劣化の拡散を効果的に防ぎ、後者はサービス品質に影響を与えます。
  論文  参考訳（メタデータ） (2022-12-25T03:56:42Z)
• Deep Reinforcement Learning Based Multidimensional Resource Management for Energy Harvesting Cognitive NOMA Communications [64.1076645382049]
  エネルギー収穫(EH)、認知無線(CR)、非直交多重アクセス(NOMA)の組み合わせはエネルギー効率を向上させるための有望な解決策である。 本稿では,決定論的CR-NOMA IoTシステムにおけるスペクトル,エネルギー,時間資源管理について検討する。
  論文  参考訳（メタデータ） (2021-09-17T08:55:48Z)
• Appliance-Level Monitoring with Micro-Moment Smart Plugs [2.294014185517203]
  大規模マルチアプライアンスエネルギー効率プログラムの一環として,マイクロモーメントベースのスマートプラグシステムを提案する。 プラグはホームオートメーション機能も備えている。 現在の実装結果から,提案システムではコスト効率の高いデプロイメントが実現されている。
  論文  参考訳（メタデータ） (2020-12-10T16:22:40Z)
• Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
  マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。 ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
  論文  参考訳（メタデータ） (2020-02-21T02:14:38Z)
• Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable Edge Computing Systems [87.4519172058185]
  エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。 定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。 実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
  論文  参考訳（メタデータ） (2020-02-20T04:58:07Z)

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。