論文の概要: ScalerEval: Automated and Consistent Evaluation Testbed for Auto-scalers in Microservices

• arxiv url: http://arxiv.org/abs/2504.08308v1
• Date: Fri, 11 Apr 2025 07:18:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-14 14:19:44.977774
• Title: ScalerEval: Automated and Consistent Evaluation Testbed for Auto-scalers in Microservices
• Title（参考訳）: ScalerEval: マイクロサービスにおけるオートスケーラのための自動化された、一貫性のある評価テストベッド
• Authors: Shuaiyu Xie, Jian Wang, Yang Luo, Yunqing Yong, Yuzhen Tan, Bing Li,
• Abstract要約: ScalerEvalは、研究者のオートスケーラのためのエンドツーエンドの自動化と一貫性のあるテストベッドである。 オートスケーラの実装に必要な基本的なインターフェースを統合し、研究者のワンクリック評価をさらに強化する。
• 参考スコア（独自算出の注目度）: 7.4883371370599585
• License:
• Abstract: Auto-scaling is an automated approach that dynamically provisions resources for microservices to accommodate fluctuating workloads. Despite the introduction of many sophisticated auto-scaling algorithms, evaluating auto-scalers remains time-consuming and labor-intensive, as it requires the implementation of numerous fundamental interfaces, complex manual operations, and in-depth domain knowledge. Besides, frequent human intervention can inevitably introduce operational errors, leading to inconsistencies in the evaluation of different auto-scalers. To address these issues, we present ScalerEval, an end-to-end automated and consistent testbed for auto-scalers in microservices. ScalerEval integrates essential fundamental interfaces for implementation of auto-scalers and further orchestrates a one-click evaluation workflow for researchers. The source code is publicly available at \href{https://github.com/WHU-AISE/ScalerEval}{https://github.com/WHU-AISE/ScalerEval}.
• Abstract（参考訳）: 自動スケーリングは、変動するワークロードに対応するために、マイクロサービスのリソースを動的にプロビジョニングする自動化アプローチである。 多くの高度な自動スケーリングアルゴリズムが導入されたにもかかわらず、オートスケーラの評価には時間と労力がかかり、多くの基本的なインターフェース、複雑な手動操作、詳細なドメイン知識が必要とされる。 さらに、頻繁な人間の介入は、必然的に運用上のエラーを発生させ、異なるオートスケーラの評価に矛盾をもたらす。 これらの問題に対処するために、マイクロサービスの自動スケーラのためのエンドツーエンドの自動化と一貫性のあるテストベッドであるScalerEvalを紹介します。 ScalerEvalはオートスケーラの実装に必要な基本的なインターフェースを統合し、研究者のためのワンクリック評価ワークフローをさらに編成する。 ソースコードは \href{https://github.com/WHU-AISE/ScalerEval}{https://github.com/WHU-AISE/ScalerEval} で公開されている。

関連論文リスト

• Extreme AutoML: Analysis of Classification, Regression, and NLP Performance [0.19791587637442667]
  Extreme Learning Machines (ELMs) は基本的に異なるタイプのニューラルアーキテクチャを使用し、計算コストを大幅に削減してより良い結果をもたらす。 カリフォルニア大学アーバイン校(UCI)リポジトリのいくつかの一般的な分類データセットを使用して、Extreme AutoML技術をGoogleのAutoMLと比較した。
  論文  参考訳（メタデータ） (2024-12-09T21:10:22Z)
• Position: A Call to Action for a Human-Centered AutoML Paradigm [83.78883610871867]
  自動機械学習(AutoML)は、機械学習(ML)を自動かつ効率的に構成する基本的目的を中心に形成された。 AutoMLの完全な可能性を解き放つ鍵は、現在探索されていないAutoMLシステムとのユーザインタラクションの側面に対処することにある、と私たちは主張する。
  論文  参考訳（メタデータ） (2024-06-05T15:05:24Z)
• AutoAct: Automatic Agent Learning from Scratch for QA via Self-Planning [54.47116888545878]
  AutoActはQAのための自動エージェント学習フレームワークである。 大規模アノテートデータやクローズドソースモデルからの合成計画軌道は依存していない。
  論文  参考訳（メタデータ） (2024-01-10T16:57:24Z)
• GEqO: ML-Accelerated Semantic Equivalence Detection [3.5521901508676774]
  クラスタリソースの効率的な利用とジョブ実行時間の削減には,共通計算が不可欠だ。 大規模分析エンジンの等価性を検出するには、完全に自動化された効率的でスケーラブルなソリューションが必要である。 本稿では,大規模で意味論的に等価な計算を効率的に識別する,ポータブルで軽量な機械学習ベースのフレームワークであるGEqOを提案する。
  論文  参考訳（メタデータ） (2024-01-02T16:37:42Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• OmniForce: On Human-Centered, Large Model Empowered and Cloud-Edge Collaborative AutoML System [85.8338446357469]
  我々は人間中心のAutoMLシステムであるOmniForceを紹介した。 我々は、OmniForceがAutoMLシステムを実践し、オープン環境シナリオにおける適応型AIを構築する方法について説明する。
  論文  参考訳（メタデータ） (2023-03-01T13:35:22Z)
• Induction and Exploitation of Subgoal Automata for Reinforcement Learning [75.55324974788475]
  本稿では,Regressed Learning (RL)タスクにおけるサブゴールの学習と活用のためのISAを提案する。 ISAは、タスクのサブゴールによってエッジがラベル付けされたオートマトンであるサブゴールオートマトンを誘導することで強化学習をインターリーブする。 サブゴールオートマトンはまた、タスクの完了を示す状態と、タスクが成功せずに完了したことを示す状態の2つの特別な状態で構成されている。
  論文  参考訳（メタデータ） (2020-09-08T16:42:55Z)
• AutoFIS: Automatic Feature Interaction Selection in Factorization Models for Click-Through Rate Prediction [75.16836697734995]
  自動特徴相互作用選択(AutoFIS)と呼ばれる2段階のアルゴリズムを提案する。 AutoFISは、目標モデルを収束させるためにトレーニングするのと同等の計算コストで、因子化モデルに対する重要な特徴的相互作用を自動的に識別することができる。 AutoFISはHuawei App Storeレコメンデーションサービスのトレーニングプラットフォームにデプロイされている。
  論文  参考訳（メタデータ） (2020-03-25T06:53:54Z)

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。