論文の概要: Toward Automated Hypervisor Scenario Generation Based on VM Workload Profiling for Resource-Constrained Environments
- arxiv url: http://arxiv.org/abs/2508.08952v1
- Date: Tue, 12 Aug 2025 14:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-13 21:07:34.450058
- Title: Toward Automated Hypervisor Scenario Generation Based on VM Workload Profiling for Resource-Constrained Environments
- Title（参考訳）: 資源制約環境におけるVMワークロードプロファイリングに基づくハイパーバイザシナリオの自動生成に向けて
- Authors: Hyunwoo Kim, Jaeseong Lee, Sunpyo Hong, Changmin Han,
- Abstract要約: 本稿では,自動車ベンダがハードウェアリソースを効率的に割り当てるのを支援する自動シナリオ生成フレームワークを提案する。
実行時の振る舞いをプロファイリングし、理論モデルとベンダーの両方を統合することにより、システム制約に合わせて最適化された設定を生成する。
- 参考スコア（独自算出の注目度）: 3.861132936894187
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the automotive industry, the rise of software-defined vehicles (SDVs) has driven a shift toward virtualization-based architectures that consolidate diverse automotive workloads on a shared hardware platform. To support this evolution, chipset vendors provide board support packages (BSPs), hypervisor setups, and resource allocation guidelines. However, adapting these static configurations to varying system requirements and workloads remain a significant challenge for Tier 1 integrators. This paper presents an automated scenario generation framework, which helps automotive vendors to allocate hardware resources efficiently across multiple VMs. By profiling runtime behavior and integrating both theoretical models and vendor heuristics, the proposed tool generates optimized hypervisor configurations tailored to system constraints. We compare two main approaches for modeling target QoS based on profiled data and resource allocation: domain-guided parametric modeling and deep learning-based modeling. We further describe our optimization strategy using the selected QoS model to derive efficient resource allocations. Finally, we report on real-world deployments to demonstrate the effectiveness of our framework in improving integration efficiency and reducing development time in resource-constrained environments.
- Abstract（参考訳）: 自動車業界では、ソフトウェア定義自動車(SDV)の台頭が、共有ハードウェアプラットフォーム上で多様な自動車ワークロードを統合する仮想化ベースのアーキテクチャへのシフトを促している。
この進化をサポートするため、チップセットベンダーはボードサポートパッケージ(BSP)、ハイパーバイザ設定、リソース割り当てガイドラインを提供している。
しかし、これらの静的な設定をさまざまなシステム要件やワークロードに適用することは、Tier 1インテグレータにとって大きな課題である。
本稿では,複数のVMにまたがるハードウェアリソースを効率よく分配する,自動シナリオ生成フレームワークを提案する。
実行時の振る舞いをプロファイリングし、理論モデルとベンダーヒューリスティックの両方を統合することで、システム制約に合わせて最適化されたハイパーバイザ構成を生成する。
ドメイン誘導パラメトリックモデリングと深層学習に基づくモデリングという,プロファイルデータとリソース割当に基づくターゲットQoSモデリングの主な2つのアプローチを比較した。
さらに、選択したQoSモデルを用いて、効率的な資源配分を導出する最適化戦略について述べる。
最後に,資源制約環境における統合効率の向上と開発時間短縮におけるフレームワークの有効性を示すために,実世界の展開について報告する。
関連論文リスト
- Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [59.52058740470727]
エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。
AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。
この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
論文 参考訳（メタデータ） (2025-05-03T13:55:38Z) - EdgeMLBalancer: A Self-Adaptive Approach for Dynamic Model Switching on Resource-Constrained Edge Devices [0.0]
エッジデバイス上の機械学習は、リソース制約のある環境でリアルタイムAIアプリケーションを可能にする。
計算資源を管理する既存のソリューションは、しばしば正確さやエネルギー効率に焦点を絞っている。
エッジデバイス上でのCPU利用とリソース管理を最適化する自己適応型アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-10T14:11:29Z) - DNN-Powered MLOps Pipeline Optimization for Large Language Models: A Framework for Automated Deployment and Resource Management [0.0]
本研究では、Deep Neural Networks(DNN)を活用してMLOpsパイプラインをLarge Language Models(LLM)に最適化する新しいフレームワークを提案する。
当社のアプローチでは,最適なパフォーマンスとコスト効率を維持しつつ,デプロイメント決定やリソース割り当て,パイプライン最適化を自動化するインテリジェントシステムを導入しています。
論文 参考訳（メタデータ） (2025-01-14T14:15:32Z) - A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。
これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。
本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
論文 参考訳（メタデータ） (2024-12-18T14:11:15Z) - Automatic Platform Configuration and Software Integration for Software-Defined Vehicles [4.522485108591059]
本稿では,ソフトウェア定義車両(SDV)のプラットフォーム構成とソフトウェア統合を自動化する新しいアプローチを提案する。
モデルベースシステム工学(MBSE)を活用することで,プラットフォーム構成やソフトウェア統合計画を自動的に生成する。
提案システムは,安全要件の遵守を確保しつつ,動的かつ柔軟な資源割り当てを可能にする。
論文 参考訳（メタデータ） (2024-08-04T19:54:03Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳（メタデータ） (2024-01-11T15:02:15Z) - Orchestration of Emulator Assisted Mobile Edge Tuning for AI Foundation
Models: A Multi-Agent Deep Reinforcement Learning Approach [10.47302625959368]
我々は,モバイルエッジコンピューティングと基礎モデルを統合した画期的なパラダイムを提示する。
私たちのアプローチの中心はイノベーティブなEmulator-Adapterアーキテクチャであり、基礎モデルを2つの凝集モジュールに分割する。
本稿では,分散環境におけるEmulator-Adapter構造のニーズに合わせて微調整された高度なリソース割り当て機構を提案する。
論文 参考訳（メタデータ） (2023-10-26T15:47:51Z) - Enabling Resource-efficient AIoT System with Cross-level Optimization: A
survey [20.360136850102833]
この調査は、より自由なリソースパフォーマンストレードオフのために、より広い最適化スペースを提供することを目的としています。
様々なレベルに散らばる問題やテクニックを統合することで、読者のつながりを理解し、さらなる議論を促すことを目指している。
論文 参考訳（メタデータ） (2023-09-27T08:04:24Z) - Reconfigurable Intelligent Surface Assisted Mobile Edge Computing with
Heterogeneous Learning Tasks [53.1636151439562]
モバイルエッジコンピューティング(MEC)は、AIアプリケーションに自然なプラットフォームを提供します。
再構成可能なインテリジェントサーフェス(RIS)の助けを借りて、MECで機械学習タスクを実行するインフラストラクチャを提示します。
具体的には,モバイルユーザの送信パワー,基地局のビームフォーミングベクトル,risの位相シフト行列を共同で最適化することにより,参加ユーザの学習誤差を最小化する。
論文 参考訳（メタデータ） (2020-12-25T07:08:50Z)
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。