論文の概要: Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum
- arxiv url: http://arxiv.org/abs/2504.00761v1
- Date: Tue, 01 Apr 2025 13:11:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:22:31.148195
- Title: Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum
- Title（参考訳）: クラウドエッジ連続体における分散アプリケーション中心オーケストレーションフレームワークを目指して
- Authors: Amjad Ullah, Andras Markus, Hacı İsmail Aslan, Tamas Kiss, Jozsef Kovacs, James Deslauriers, Amy L. Murphy, Yiming Wang Odej Kao,
- Abstract要約: リソース管理ソリューションは、リソース発見、最適化、アプリケーションのデプロイ、ライフサイクル管理といったタスクを自動化し、管理することで、重要な役割を担います。
本稿ではSwarmchestrateを紹介します。Swarmsの自己組織化原則にインスパイアされた、分散化されたアプリケーション中心のオーケストレーションフレームワークです。
- 参考スコア（独自算出の注目度）: 0.20075899678041528
- License:
- Abstract: The efficient management of complex distributed applications in the Cloud-Edge continuum, including their deployment on heterogeneous computing resources and run-time operations, presents significant challenges. Resource management solutions -- also called orchestrators -- play a pivotal role by automating and managing tasks such as resource discovery, optimisation, application deployment, and lifecycle management, whilst ensuring the desired system performance. This paper introduces Swarmchestrate, a decentralised, application-centric orchestration framework inspired by the self-organising principles of Swarms. Swarmchestrate addresses the end-to-end management of distributed applications, from submission to optimal resource allocation across cloud and edge providers, as well as dynamic reconfiguration. Our initial findings include the implementation of the application deployment phase within a Cloud-Edge simulation environment, demonstrating the potential of Swarmchestrate. The results offer valuable insight into the coordination of resource offerings between various providers and optimised resource allocation, providing a foundation for designing scalable and efficient infrastructures.
- Abstract（参考訳）: Cloud-Edge連続体における複雑な分散アプリケーションの効率的な管理には、異種コンピューティングリソースやランタイム操作へのデプロイなど、大きな課題がある。
リソース管理ソリューション(オーケストレータとも呼ばれる)は、リソース発見、最適化、アプリケーションデプロイメント、ライフサイクル管理といったタスクを自動化し、管理し、必要なシステムパフォーマンスを確保することで、重要な役割を担います。
本稿ではSwarmchestrateを紹介します。Swarmsの自己組織化原則にインスパイアされた、分散化されたアプリケーション中心のオーケストレーションフレームワークです。
Swarmchestrateは、クラウドとエッジプロバイダ間のリソース割り当ての提出から最適化、動的再構成に至るまで、分散アプリケーションのエンドツーエンド管理に対処する。
最初の発見は、Cloud-Edgeシミュレーション環境におけるアプリケーションのデプロイフェーズの実装で、Swarmchestrateの可能性を実証したことです。
この結果は、さまざまなプロバイダ間のリソース提供の協調と最適化されたリソース割り当てに関する貴重な洞察を与え、スケーラブルで効率的なインフラを設計するための基盤を提供する。
関連論文リスト
- Adaptive AI-based Decentralized Resource Management in the Cloud-Edge Continuum [4.989052212674281]
Cloud-Edge Continuumは、効率的なリソース管理のための大きな課題を提示している。
従来の集中型アプローチは、静的な性質のため、これらの変化に適応するのに苦労する。
本稿では,動的アプリケーション配置と資源管理のためのハイブリッド分散フレームワークを提案する。
論文 参考訳（メタデータ） (2025-01-27T06:07:09Z) - Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳（メタデータ） (2025-01-20T15:52:43Z) - Dynamic Scheduling Strategies for Resource Optimization in Computing Environments [0.29008108937701327]
本稿では,資源利用,負荷分散,タスク完了効率といった重要な性能指標のバランスをとることを目的とした,多目的最適化に基づくコンテナスケジューリング手法を提案する。
実験の結果, 従来の静的ルールアルゴリズムや効率アルゴリズムと比較して, 資源利用, 負荷分散, バーストタスク完了において, 最適化されたスケジューリング方式が有益であることが示唆された。
論文 参考訳（メタデータ） (2024-12-23T05:43:17Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - A Comprehensive Survey on Joint Resource Allocation Strategies in Federated Edge Learning [9.806901443019008]
Federated Edge Learning (FEL)は、分散環境でのモデルトレーニングを可能にすると同時に、ユーザデータの物理的分離を利用することで、ユーザのプライバシを確保する。
IoT(Internet of Things)やSmart Earthといった複雑なアプリケーションシナリオの開発により、従来のリソース割り当てスキームは、これらの増大する計算および通信要求を効果的にサポートすることができなくなった。
本稿では,複数の資源需要が増大する中で,計算と通信の多面的課題を体系的に解決する。
論文 参考訳（メタデータ） (2024-10-10T13:02:00Z) - Design Optimization of NOMA Aided Multi-STAR-RIS for Indoor Environments: A Convex Approximation Imitated Reinforcement Learning Approach [51.63921041249406]
非直交多重アクセス(Noma)により、複数のユーザが同じ周波数帯域を共有でき、同時に再構成可能なインテリジェントサーフェス(STAR-RIS)を送信および反射することができる。
STAR-RISを屋内に展開することは、干渉緩和、電力消費、リアルタイム設定における課題を提示する。
複数のアクセスポイント(AP)、STAR-RIS、NOMAを利用した新しいネットワークアーキテクチャが屋内通信のために提案されている。
論文 参考訳（メタデータ） (2024-06-19T07:17:04Z) - Dynamic Resource Allocation for Metaverse Applications with Deep
Reinforcement Learning [64.75603723249837]
そこで本研究では,Metaverse アプリケーション用の異なるタイプのリソースを動的に管理・割り当てする新しいフレームワークを提案する。
まず,アプリケーション間で共通関数を共有できるMetaInstancesという,アプリケーションをグループに分割する効果的なソリューションを提案する。
そこで我々は,要求到着プロセスとアプリケーション離脱プロセスのリアルタイム,動的,不確実な特性を捉えるために,セミマルコフ決定プロセスに基づくフレームワークを開発する。
論文 参考訳（メタデータ） (2023-02-27T00:30:01Z) - CLARA: A Constrained Reinforcement Learning Based Resource Allocation
Framework for Network Slicing [19.990451009223573]
ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。
モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。
本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
論文 参考訳（メタデータ） (2021-11-16T11:54:09Z) - 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) - Adaptive Stochastic ADMM for Decentralized Reinforcement Learning in
Edge Industrial IoT [106.83952081124195]
強化学習 (Reinforcement Learning, RL) は, 意思決定および最適制御プロセスのための有望な解法として広く研究されている。
本稿では,Adaptive ADMM (asI-ADMM)アルゴリズムを提案する。
実験の結果,提案アルゴリズムは通信コストやスケーラビリティの観点から技術状況よりも優れており,複雑なIoT環境に適応できることがわかった。
論文 参考訳（メタデータ） (2021-06-30T16:49:07Z) - Reinforcement Learning on Computational Resource Allocation of
Cloud-based Wireless Networks [22.06811314358283]
IoT(Internet of Things)に使用される無線ネットワークには、主にクラウドベースのコンピューティングと処理が関与することが期待されている。
クラウド環境では、プロセスのパフォーマンスを維持しながらエネルギーを節約するために、動的計算資源割り当てが不可欠である。
本稿では、この動的計算資源割当問題をマルコフ決定プロセス(MDP)にモデル化し、CPU使用量の動的リソース割当を最適化するためのモデルベース強化学習エージェントを設計する。
その結果, エージェントは最適方針に迅速に収束し, 異なる設定で安定して動作し, 性能が良く, あるいは少なくとも等しく動作し, 異なるシナリオでの省エネにおけるベースラインアルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-10-10T15:16:26Z)
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。