論文の概要: Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2508.07122v1
• Date: Sat, 09 Aug 2025 23:50:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-12 21:23:28.711985
• Title: Multi-Level Service Performance Forecasting via Spatiotemporal Graph Neural Networks
• Title（参考訳）: 時空間グラフニューラルネットワークによるマルチレベルサービス性能予測
• Authors: Zhihao Xue, Yun Zi, Nia Qi, Ming Gong, Yujun Zou,
• Abstract要約: 本稿では,分散システムにおける性能変動予測の課題を解決するために,時間グラフニューラルネットワークによる性能予測を提案する。 ノードサービスのランタイム機能とサービス間の呼び出し関係を統合し、統一されたフレームワークを構築する。 その結果,提案手法はMAE,RMSE,R2といった主要な指標において,既存の代表手法よりも優れていた。
• 参考スコア（独自算出の注目度）: 15.87545402988833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a spatiotemporal graph neural network-based performance prediction algorithm to address the challenge of forecasting performance fluctuations in distributed backend systems with multi-level service call structures. The method abstracts system states at different time slices into a sequence of graph structures. It integrates the runtime features of service nodes with the invocation relationships among services to construct a unified spatiotemporal modeling framework. The model first applies a graph convolutional network to extract high-order dependency information from the service topology. Then it uses a gated recurrent network to capture the dynamic evolution of performance metrics over time. A time encoding mechanism is also introduced to enhance the model's ability to represent non-stationary temporal sequences. The architecture is trained in an end-to-end manner, optimizing the multi-layer nested structure to achieve high-precision regression of future service performance metrics. To validate the effectiveness of the proposed method, a large-scale public cluster dataset is used. A series of multi-dimensional experiments are designed, including variations in time windows and concurrent load levels. These experiments comprehensively evaluate the model's predictive performance and stability. The experimental results show that the proposed model outperforms existing representative methods across key metrics such as MAE, RMSE, and R2. It maintains strong robustness under varying load intensities and structural complexities. These results demonstrate the model's practical potential for backend service performance management tasks.
• Abstract（参考訳）: 本稿では,マルチレベルサービスコール構造を持つ分散バックエンドシステムにおける性能変動予測の課題を解決するために,時空間グラフニューラルネットワークを用いた性能予測アルゴリズムを提案する。 この方法はシステム状態の異なる時刻スライスを一連のグラフ構造に抽象化する。 サービスノードのランタイム機能とサービス間の呼び出し関係を統合し、統合された時空間モデリングフレームワークを構築する。 モデルはまず、サービストポロジから高階依存情報を抽出するために、グラフ畳み込みネットワークを適用します。 次に、ゲートされたリカレントネットワークを使用して、時間の経過とともにパフォーマンスメトリクスの動的進化をキャプチャします。 時間符号化機構も導入され、非定常時間シーケンスを表現するモデルの能力が向上する。 アーキテクチャはエンドツーエンドでトレーニングされ、マルチレイヤのネスト構造を最適化して、将来のサービスパフォーマンスメトリクスの高精度なレグレッションを実現する。 提案手法の有効性を検証するため,大規模パブリッククラスタデータセットを用いた。 時間ウィンドウと同時負荷レベルの変化を含む、一連の多次元実験が設計されている。 これらの実験はモデルの性能と安定性を総合的に評価する。 実験の結果,提案手法はMAE,RMSE,R2といった主要な指標において,既存の代表手法よりも優れていた。 様々な負荷強度と構造的複雑さの下で強い堅牢性を維持する。 これらの結果は、バックエンドサービスのパフォーマンス管理タスクに対するモデルの実践的な可能性を示しています。

関連論文リスト

• Graph Neural Network-Based Collaborative Perception for Adaptive Scheduling in Distributed Systems [0.0]
  本稿では,GNNに基づくマルチノード協調認識機構を提案する。 メッセージパッシングと状態更新モジュールが導入される。 グローバルな特徴を持つ局所状態を融合させて認識表現法を設計する。
  論文  参考訳（メタデータ） (2025-05-22T05:34:02Z)
• Joint Graph Convolution and Sequential Modeling for Scalable Network Traffic Estimation [11.751952500567388]
  本研究では,複雑なトポロジカル環境におけるネットワークトラフィック予測の課題に焦点を当てた。 グラフ・コンテンポラル・ネットワーク(GCN)とGRU(Gated Recurrent Units)モデリング・アプローチを導入している。 提案モデルの有効性は,実世界のアビリーンネットワークトラフィックデータセットに関する総合的な実験を通じて検証される。
  論文  参考訳（メタデータ） (2025-05-12T15:38:19Z)
• ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
  現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。 本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。 本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
  論文  参考訳（メタデータ） (2025-03-24T13:11:22Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Graph Neural Alchemist: An innovative fully modular architecture for time series-to-graph classification [0.0]
  本稿では時系列分類のための新しいグラフニューラルネットワーク(GNN)アーキテクチャを提案する。 時系列を可視グラフとして表現することにより、時系列データ固有の時間的依存関係の両方を符号化することができる。 私たちのアーキテクチャは完全にモジュール化されており、異なるモデルで柔軟な実験を可能にします。
  論文  参考訳（メタデータ） (2024-10-12T00:03:40Z)
• Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining [5.2863523790908955]
  本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。 提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-22T06:27:07Z)
• TCCT-Net: Two-Stream Network Architecture for Fast and Efficient Engagement Estimation via Behavioral Feature Signals [58.865901821451295]
  本稿では,新しい2ストリーム機能融合 "Tensor-Convolution and Convolution-Transformer Network" (TCCT-Net) アーキテクチャを提案する。 時間空間領域における意味のあるパターンをよりよく学習するために、ハイブリッド畳み込み変換器を統合する「CT」ストリームを設計する。 並行して、時間周波数領域からリッチなパターンを効率的に抽出するために、連続ウェーブレット変換(CWT)を用いて情報を2次元テンソル形式で表現する「TC」ストリームを導入する。
  論文  参考訳（メタデータ） (2024-04-15T06:01:48Z)
• TimeGraphs: Graph-based Temporal Reasoning [64.18083371645956]
  TimeGraphsは階層的時間グラフとして動的相互作用を特徴付ける新しいアプローチである。 提案手法は,コンパクトなグラフベース表現を用いて相互作用をモデル化し,多種多様な時間スケールでの適応推論を可能にする。 我々は,サッカーシミュレータ,抵抗ゲーム,MOMA人間活動データセットなど,複雑でダイナミックなエージェントインタラクションを持つ複数のデータセット上でTimeGraphsを評価する。
  論文  参考訳（メタデータ） (2024-01-06T06:26:49Z)
• DAIS: Automatic Channel Pruning via Differentiable Annealing Indicator Search [55.164053971213576]
  畳み込みニューラルネットワークは,計算オーバーヘッドが大きいにもかかわらず,コンピュータビジョンタスクの実行において大きな成功を収めている。 構造的(チャネル)プルーニングは、通常、ネットワーク構造を保ちながらモデルの冗長性を低減するために適用される。 既存の構造化プルーニング法では、手作りのルールが必要であり、これは大きなプルーニング空間に繋がる可能性がある。
  論文  参考訳（メタデータ） (2020-11-04T07:43:01Z)
• ForecastNet: A Time-Variant Deep Feed-Forward Neural Network Architecture for Multi-Step-Ahead Time-Series Forecasting [6.043572971237165]
  本稿では,フィードフォワードアーキテクチャを用いて時間変動モデルを提供するForecastNetを提案する。 ForecastNetは、いくつかのデータセットで統計的およびディープラーニングベンチマークモデルを上回るパフォーマンスを示す。
  論文  参考訳（メタデータ） (2020-02-11T01:03:33Z)
• Meta-learning framework with applications to zero-shot time-series forecasting [82.61728230984099]
  この研究は幅広いメタラーニングフレームワークを使って肯定的な証拠を提供する。 残余接続はメタラーニング適応機構として機能する。 我々は、ソースTSデータセット上でニューラルネットワークをトレーニングし、異なるターゲットTSデータセット上で再トレーニングすることなくデプロイできることを示します。
  論文  参考訳（メタデータ） (2020-02-07T16:39:43Z)

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。