論文の概要: An Architectural View Type for Elasticity Modeling and Simulation -- The Slingshot Approach

• arxiv url: http://arxiv.org/abs/2503.10407v1
• Date: Thu, 13 Mar 2025 14:31:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:54:20.057081
• Title: An Architectural View Type for Elasticity Modeling and Simulation -- The Slingshot Approach
• Title（参考訳）: 弾力性モデリングとシミュレーションのためのアーキテクチャビュータイプ -- Slingshotアプローチ
• Authors: Floriment Klinaku, Sarah Sophie Stieß, Alireza Hakamian, Steffen Becker,
• Abstract要約: ソフトウェアアーキテクトは、自動化されたリソース管理のための弾力性ポリシーの設計とデプロイにおいて、戦略的な役割を担っている。 既存のアプローチは、しばしばキュー理論のような形式的なモデルに依存し、高度なスキルを必要とし、アーキテクチャモデル内で弾力性を表現するための特定の方法が欠如している。 本稿では,Scaling Policy Definition(SPD)モデリング言語,視覚的表記法,高精度なシミュレーションセマンティクスをサポートする,弾力性モデリングとシミュレーションのためのアーキテクチャビュータイプを提案する。
• 参考スコア（独自算出の注目度）: 0.8010120037374623
• License:
• Abstract: The cloud computing model enables the on-demand provisioning of computing resources, reducing manual management, increasing efficiency, and improving environmental impact. Software architects now play a strategic role in designing and deploying elasticity policies for automated resource management. However, creating policies that meet performance and cost objectives is complex. Existing approaches, often relying on formal models like Queueing Theory, require advanced skills and lack specific methods for representing elasticity within architectural models. This paper introduces an architectural view type for modeling and simulating elasticity, supported by the Scaling Policy Definition (SPD) modeling language, a visual notation, and precise simulation semantics. The view type is integrated into the Palladio ecosystem, providing both conceptual and tool-based support. We evaluate the approach through two single-case experiments and a user study. In the first experiment, simulations of elasticity policies demonstrate sufficient accuracy when compared to load tests, showing the utility of simulations for evaluating elasticity. The second experiment confirms feasibility for larger applications, though with increased simulation times. The user study shows that participants completed 90% of tasks, rated the usability at 71%, and achieved an average score of 76% in nearly half the allocated time. However, the empirical evidence suggests that modeling with this architectural view requires more time than modeling control flow, resource environments, or usage profiles, despite its benefits for elasticity policy design and evaluation.
• Abstract（参考訳）: クラウドコンピューティングモデルは、コンピューティングリソースのオンデマンドプロビジョニング、手動管理の削減、効率の向上、環境への影響の改善を可能にする。 ソフトウェアアーキテクトは、自動化されたリソース管理のための弾力性ポリシーを設計、展開する上で、戦略的な役割を担っている。 しかし、パフォーマンスとコストの目標を満たすポリシーを作成するのは複雑です。 既存のアプローチは、しばしばキュー理論のような形式的なモデルに依存し、高度なスキルを必要とし、アーキテクチャモデル内で弾力性を表現するための特定の方法が欠如している。 本稿では,Scaling Policy Definition(SPD)モデリング言語,視覚的表記法,高精度なシミュレーションセマンティクスをサポートする,弾力性モデリングとシミュレーションのためのアーキテクチャビュータイプを提案する。 ビュータイプはPalladioエコシステムに統合され、概念的およびツールベースのサポートを提供する。 2つのシングルケース実験とユーザスタディによるアプローチの評価を行った。 最初の実験では, 弾力性評価のためのシミュレーションの有用性を示し, 負荷試験と比較して十分な精度を示した。 第2の実験では、シミュレーション時間の増加はあるものの、より大きなアプリケーションの実現可能性を確認している。 ユーザスタディでは、参加者がタスクの90%を完了し、ユーザビリティを71%と評価し、割り当てられた時間の半分近くで平均スコアが76%に達した。 しかしながら、このアーキテクチャの観点からのモデリングは、弾力性ポリシーの設計と評価の利点にもかかわらず、制御フローや資源環境、利用プロファイルをモデル化するよりも多くの時間を必要とすることを実証的な証拠は示している。

関連論文リスト

• Towards Synthetic Trace Generation of Modeling Operations using In-Context Learning Approach [1.8874331450711404]
  本稿では,イベントログのモデリング,インテリジェントなモデリングアシスタント,モデリング操作の生成を組み合わせた概念的フレームワークを提案する。 特に、アーキテクチャは、設計者がシステムを指定するのを助け、その操作をグラフィカルなモデリング環境内で記録し、関連する操作を自動的に推奨する、モデリングコンポーネントから構成される。
  論文  参考訳（メタデータ） (2024-08-26T13:26:44Z)
• Jointly Training and Pruning CNNs via Learnable Agent Guidance and Alignment [69.33930972652594]
  本稿では,CNNモデルの重みと構造的プーン構造を協調的に学習するための新しい構造的プルーニング手法を提案する。 本手法の中核となる要素は強化学習(RL)エージェントであり,その動作がCNNモデルの階層のプルーニング比を決定する。 我々は,モデルの重みとエージェントのポリシーを反復的に訓練し,共同訓練と刈り取りを行う。
  論文  参考訳（メタデータ） (2024-03-28T15:22:29Z)
• Variational Exploration Module VEM: A Cloud-Native Optimization and Validation Tool for Geospatial Modeling and AI Workflows [0.0]
  クラウドベースのデプロイメントは、これらのモデリングとAIのスケールアップに役立つ。 我々は,クラウドにデプロイされたモデリングの最適化と検証を容易にする変分探索モジュールを開発した。 モデルに依存しないモジュールの柔軟性と堅牢性は、実世界のアプリケーションを用いて実証される。
  論文  参考訳（メタデータ） (2023-11-26T23:07:00Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• SimVPv2: Towards Simple yet Powerful Spatiotemporal Predictive Learning [61.419914155985886]
  空間的・時間的モデリングにおけるUnetアーキテクチャの必要性を解消する合理化モデルであるSimVPv2を提案する。 SimVPv2はモデルアーキテクチャを単純化するだけでなく、性能と計算効率も改善する。 標準のMoving MNISTベンチマークでは、SimVPv2は、FLOPが少なく、トレーニング時間の半分、推論効率が60%速く、SimVPよりも優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-11-22T08:01:33Z)
• When to Update Your Model: Constrained Model-based Reinforcement Learning [50.74369835934703]
  モデルベースRL(MBRL)の非遅延性能保証のための新規で一般的な理論スキームを提案する。 続いて導いた境界は、モデルシフトとパフォーマンス改善の関係を明らかにします。 さらなる例では、動的に変化する探索からの学習モデルが、最終的なリターンの恩恵をもたらすことが示されている。
  論文  参考訳（メタデータ） (2022-10-15T17:57:43Z)
• Causal Dynamics Learning for Task-Independent State Abstraction [61.707048209272884]
  タスク独立状態抽象化(CDL)のための因果ダイナミクス学習を導入する。 CDLは、状態変数とアクションの間の不要な依存関係を取り除く理論的に証明された因果ダイナミクスモデルを学ぶ。 状態抽象化は、学習されたダイナミクスから導き出すことができる。
  論文  参考訳（メタデータ） (2022-06-27T17:02:53Z)
• Dream to Explore: Adaptive Simulations for Autonomous Systems [3.0664963196464448]
  ベイズ的非パラメトリック法を適用し,力学系制御の学習に挑戦する。 ガウス過程を用いて潜在世界力学を探索することにより、強化学習で観測される一般的なデータ効率の問題を緩和する。 本アルゴリズムは,ログの変動的下界を最適化することにより,世界モデルと政策を共同で学習する。
  論文  参考訳（メタデータ） (2021-10-27T04:27:28Z)
• Sim-Env: Decoupling OpenAI Gym Environments from Simulation Models [0.0]
  強化学習(RL)は、AI研究の最も活発な分野の1つです。 開発方法論はまだ遅れており、RLアプリケーションの開発を促進するための標準APIが不足している。 多目的エージェントベースのモデルと派生した単一目的強化学習環境の分離開発と保守のためのワークフローとツールを提示する。
  論文  参考訳（メタデータ） (2021-02-19T09:25:21Z)
• Model-based Meta Reinforcement Learning using Graph Structured Surrogate Models [40.08137765886609]
  グラフ構造化サーロゲートモデル (GSSM) と呼ばれるモデルが, 環境ダイナミクス予測における最先端の手法を上回っていることを示した。 当社のアプローチでは,テスト時間ポリシの勾配最適化を回避して,デプロイメント中の高速実行を実現しつつ,高いリターンを得ることができる。
  論文  参考訳（メタデータ） (2021-02-16T17:21:55Z)
• On the model-based stochastic value gradient for continuous reinforcement learning [50.085645237597056]
  モデルベースエージェントは,サンプル効率と最終報酬の両方の観点から,最先端のモデルフリーエージェントより優れていることを示す。 以上の結果から,モデルに基づく政策評価がより注目に値することが示唆された。
  論文  参考訳（メタデータ） (2020-08-28T17:58:29Z)

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。