論文の概要: Container-level Energy Observability in Kubernetes Clusters

• arxiv url: http://arxiv.org/abs/2504.10702v1
• Date: Mon, 14 Apr 2025 20:50:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-16 22:10:43.568809
• Title: Container-level Energy Observability in Kubernetes Clusters
• Title（参考訳）: Kubernetesクラスタにおけるコンテナレベルのエネルギー可観測性
• Authors: Bjorn Pijnacker, Brian Setz, Vasilios Andrikopoulos,
• Abstract要約: 我々は、特定のユースケースシナリオに対するKeplerの代替としてKubeWattを開発します。 我々は、ケプラーが提示したエネルギー利用指標が満足のいくレベルには達していないと結論づける。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Kubernetes has been for a number of years the default cloud orchestrator solution across multiple application and research domains. As such, optimizing the energy efficiency of Kubernetes-deployed workloads is of primary interest towards controlling operational expenses by reducing energy consumption at data center level and allocated resources at application level. A lot of research in this direction aims on reducing the total energy usage of Kubernetes clusters without establishing an understanding of their workloads, i.e. the applications deployed on the cluster. This means that there are untapped potential improvements in energy efficiency that can be achieved through, for example, application refactoring or deployment optimization. For all these cases a prerequisite is establishing fine-grained observability down to the level of individual containers and their power draw over time. A state-of-the-art tool approved by the Cloud-Native Computing Foundation, Kepler, aims to provide this functionality, but has not been assessed for its accuracy and therefore fitness for purpose. In this work we start by developing an experimental procedure to this goal, and we conclude that the reported energy usage metrics provided by Kepler are not at a satisfactory level. As a reaction to this, we develop KubeWatt as an alternative to Kepler for specific use case scenarios, and demonstrate its higher accuracy through the same experimental procedure as we used for Kepler.
• Abstract（参考訳）: Kubernetesは、複数のアプリケーションと研究ドメインにわたるデフォルトのクラウドオーケストレータソリューションとして、長年にわたって使用されてきた。 そのため、Kubernetesがデプロイしたワークロードのエネルギー効率を最適化することは、データセンタレベルでのエネルギー消費を削減し、アプリケーションレベルでリソースを割り当てることによって、運用コストを制御することに対する主な関心事である。 この方向の多くの研究は、ワークロード、すなわちクラスタにデプロイされたアプリケーションを理解することなく、Kubernetesクラスタの総エネルギー使用量を削減することを目的としている。 これは、例えばアプリケーションのリファクタリングやデプロイメントの最適化を通じて達成できる、エネルギー効率の潜在的な改善が未解決であることを意味します。 これらすべてのケースに対して、前提条件は、個々のコンテナのレベルまできめ細かな観測可能性を確立し、そのパワーは時間の経過とともに低下する。 Cloud-Native Computing Foundationが承認した最先端のツールであるKeplerは、この機能の提供を目標としているが、その正確さと、そのための適合性は評価されていない。 本研究は,本目標に対する実験的な手順の開発から始め,ケプラーが提示したエネルギー利用指標が満足度に達していないことを結論する。 これに対する反応として、特定のユースケースシナリオに対するKeplerの代替としてKubeWattを開発し、Keplerで使用したのと同じ実験手順により、その高い精度を実証する。

関連論文リスト

• Value-Based Deep RL Scales Predictably [100.21834069400023]
  本研究は, 地域社会が病的行動に不安を抱いているにもかかわらず, 価値に基づく非政治的RL法が予測可能であることを示す。 SAC、BRO、PQLの3つのアルゴリズムを使って、DeepMind Control、OpenAI gym、IsaacGymの3つのアプローチを検証する。
  論文  参考訳（メタデータ） (2025-02-06T18:59:47Z)
• Double-Bounded Optimal Transport for Advanced Clustering and Classification [58.237576976486544]
  本稿では,2つの境界内での目標分布の制限を前提としたDB-OT(Douubly bounded Optimal Transport)を提案する。 提案手法は,テスト段階における改良された推論方式により,良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-21T07:43:01Z)
• End-to-end Learnable Clustering for Intent Learning in Recommendation [54.157784572994316]
  我々は、アンダーラインELCRecと呼ばれる新しい意図学習手法を提案する。 振る舞い表現学習をUnderlineEnd-to-end UnderlineLearnable UnderlineClusteringフレームワークに統合する。 1億3000万ページビューの産業レコメンデーションシステムに本手法をデプロイし,有望な結果を得る。
  論文  参考訳（メタデータ） (2024-01-11T15:22:55Z)
• A Machine Learning-Based Framework for Clustering Residential Electricity Load Profiles to Enhance Demand Response Programs [0.0]
  実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。 本稿では,実ケーススタディを通じて最適な負荷プロファイルを実現するために,機械学習に基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-31T11:23:26Z)
• Equation Discovery with Bayesian Spike-and-Slab Priors and Efficient Kernels [57.46832672991433]
  ケルネル学習とBayesian Spike-and-Slab pres (KBASS)に基づく新しい方程式探索法を提案する。 カーネルレグレッションを用いてターゲット関数を推定する。これはフレキシブルで表現力があり、データ空間やノイズに対してより堅牢である。 我々は,効率的な後部推論と関数推定のための予測伝搬予測最大化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-10-09T03:55:09Z)
• WattScope: Non-intrusive Application-level Power Disaggregation in Datacenters [0.6086160084025234]
  WattScopeは、個々のアプリケーションの消費電力を非侵襲的に推定するシステムである。 WattScopeは、ビルドパワーを分離するための機械学習ベースのテクニックを適応し、拡張する。
  論文  参考訳（メタデータ） (2023-09-22T04:13:46Z)
• Targeted demand response for flexible energy communities using clustering techniques [2.572906392867547]
  目的は、イタリアの分散エネルギーコミュニティにおける消費者の消費行動を変えることである。 一般的な3つの機械学習アルゴリズム、すなわちk-means、k-medoids、集約クラスタリングが採用されている。 本研究で提案される新しい指標,すなわちピークパフォーマンススコア(PPS)を含む複数の指標を用いた手法の評価を行った。
  論文  参考訳（メタデータ） (2023-03-01T02:29:30Z)
• Guaranteed efficient energy estimation of quantum many-body Hamiltonians using ShadowGrouping [49.36226952764697]
  量子多体系のエネルギーの推定は、様々な研究分野におけるパラダイム的な課題である。 本研究の目的は,全測定予算から最も高い証明可能な精度が得られる単一キュービット計測による最適戦略を見出すことである。 私たちはShadowGroupingと呼ばれる実用的で効率的な見積もり戦略を開発します。
  論文  参考訳（メタデータ） (2023-01-09T14:41:07Z)
• Precise Energy Consumption Measurements of Heterogeneous Artificial Intelligence Workloads [0.534434568021034]
  本稿では,異なるタイプの計算ノード上でのディープラーニングモデルの典型的な2つの応用のエネルギー消費の測定を行う。 我々のアプローチの1つの利点は、スーパーコンピュータの全ユーザーがエネルギー消費に関する情報を利用できることである。
  論文  参考訳（メタデータ） (2022-12-03T21:40:55Z)
• Movement Penalized Bayesian Optimization with Application to Wind Energy Systems [84.7485307269572]
  文脈ベイズ最適化(CBO)は、与えられた側情報を逐次決定する強力なフレームワークである。 この設定では、学習者は各ラウンドでコンテキスト(天気条件など)を受け取り、アクション(タービンパラメータなど)を選択する必要がある。 標準的なアルゴリズムは、すべてのラウンドで意思決定を切り替えるコストを前提としませんが、多くの実用的なアプリケーションでは、このような変更に関連するコストが最小化されるべきです。
  論文  参考訳（メタデータ） (2022-10-14T20:19:32Z)
• Practical Quantum K-Means Clustering: Performance Analysis and Applications in Energy Grid Classification [0.0]
  ノイズの多いハードウェアによる落とし穴を回避するために,量子$k$-meansクラスタリングの汎用的で競争的で並列化されたバージョンを提案する。 実世界のドイツの電力グリッドデータを用いて、従来のアルゴリズムのラベル付けに関して、新しい手法は標準量子$k$-meansクラスタリングのバランスの取れた精度を67.8%向上させることを示した。
  論文  参考訳（メタデータ） (2021-12-15T22:10:51Z)

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。