論文の概要: DBOS Network Sensing: A Web Services Approach to Collaborative Awareness

• arxiv url: http://arxiv.org/abs/2509.09898v1
• Date: Thu, 11 Sep 2025 23:19:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-15 16:03:07.944796
• Title: DBOS Network Sensing: A Web Services Approach to Collaborative Awareness
• Title（参考訳）: DBOSネットワークセンシング: 協調的認識のためのWebサービスアプローチ
• Abstract要約: DBOSは、Webサービス、オペレーティングシステム機能、データベース機能を統合する新しい機能である。 ネットワークセンシングは、GraphBLASハイパースパーストラフィック行列を使用してDBOSに追加される。 システムはpPythonを使って並列化され、MIT SuperCloud上で64の計算ノードを使用してベンチマークを行った。
• 参考スコア（独自算出の注目度）: 5.294763172938721
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DBOS (DataBase Operating System) is a novel capability that integrates web services, operating system functions, and database features to significantly reduce web-deployment effort while increasing resilience. Integration of high performance network sensing enables DBOS web services to collaboratively create a shared awareness of their network environments to enhance their collective resilience and security. Network sensing is added to DBOS using GraphBLAS hypersparse traffic matrices via two approaches: (1) Python-GraphBLAS and (2) OneSparse PostgreSQL. These capabilities are demonstrated using the workflow and analytics from the IEEE/MIT/Amazon Anonymized Network Sensing Graph Challenge. The system was parallelized using pPython and benchmarked using 64 compute nodes on the MIT SuperCloud. The web request rate sustained by a single DBOS instance was ${>}10^5$, well above the required maximum, indicating that network sensing can be added to DBOS with negligible overhead. For collaborative awareness, many DBOS instances were connected to a single DBOS aggregator. The Python-GraphBLAS and OneSparse PostgreSQL implementations scaled linearly up to 64 and 32 nodes respectively. These results suggest that DBOS collaborative network awareness can be achieved with a negligible increase in computing resources.
• Abstract（参考訳）: DBOS(DataBase Operating System)は、Webサービス、オペレーティングシステム機能、データベース機能を統合して、レジリエンスを高めながら、Webデプロイの労力を大幅に削減する機能である。 高性能ネットワークセンシングの統合により、DBOS Webサービスは、ネットワーク環境の共通認識を共同で作成し、全体的なレジリエンスとセキュリティを高めることができる。 ネットワークセンシングは、(1)Python-GraphBLASと(2)OneSparsePostgreSQLの2つのアプローチにより、GraphBLASハイパースパーストラフィック行列を使用してDBOSに追加される。 これらの機能は、IEEE/MIT/Amazon Anonymized Network Sensing Graph Challengeのワークフローと分析を使って実証されている。 このシステムはpPythonを用いて並列化され、MIT SuperCloud上で64の計算ノードを使用してベンチマークを行った。 1つのDBOSインスタンスが保持するWebリクエストレートは${>}10^5$で、必要最大値よりもはるかに高く、ネットワークセンシングが無視できるオーバーヘッドでDBOSに追加可能であることを示している。 協調的な認識のために、多くのDBOSインスタンスは単一のDBOSアグリゲータに接続された。 Python-GraphBLASとOneSparse PostgreSQLの実装はそれぞれ64ノードと32ノードに線形に拡張された。 これらの結果から,DBOSの協調的ネットワーク認識は,計算資源の無視できる増加によって達成可能であることが示唆された。

関連論文リスト

• DBcover: A White-box SQL Test Generation Framework for Coverage Improvement [16.270220616941277]
  データベース管理システム(RDBMS)は、信頼性と堅牢性を重要視する、現代の集中型アプリケーションのバックボーンである。 RDBMSテストにおいて高い堅牢性を実現するために,文脈推論に基づくDBcoverを提案する。 DBcoverはエンタープライズRDBMS KingbaseESで有効であり、クローズドソースシステムに適用可能であることを実証している。
  論文  参考訳（メタデータ） (2026-08-26T09:36:22Z)
• Incorporating Deep Learning Design in Database Queries [3.967959244819106]
  本稿では,ディープラーニングとデータベースクエリを自然に統合する手法を提案する。 我々は、PyTorchとcuDF上に構築されたこのアプローチの概念実証実装であるRelaNNについて説明する。
  論文  参考訳（メタデータ） (2026-05-22T20:47:07Z)
• NGDB-Zoo: Towards Efficient and Scalable Neural Graph Databases Training [55.35217340229661]
  NGDB-Zooは,演算子レベルのトレーニングをセマンティック拡張と相乗化することでボトルネックを解消する統合フレームワークである。 NGDB-Zooは多種多様な論理パターンにまたがって高いGPU利用率を維持し, ハイブリッド型ニューロシンボリック推論における摩擦を著しく軽減することを示した。
  論文  参考訳（メタデータ） (2026-02-25T05:46:42Z)
• TEXT2DB: Integration-Aware Information Extraction with Large Language Model Agents [64.11547566154947]
  本稿では,IE 出力と対象データベースの統合を重視した IE TEXT2DB の新たな定式化を提案する。 データインフィル、行数、列の追加といった一般的な要求を特徴とする新しいベンチマークを導入する。 実験によると、OPALは異なるコードプランを生成し、必要なIEモデルを呼び出すことで、多様なデータベーススキーマにうまく適応できる。
  論文  参考訳（メタデータ） (2025-10-28T02:49:40Z)
• Graph Neural Networks for Databases: A Survey [40.25404188975937]
  グラフ計算ネットワーク(GNN)はグラフデータのための強力なディープラーニングモデルであり、さまざまな領域で顕著な成功を収めている。 近年、データベース(DB)コミュニティは、GNNの可能性をますます認識し、GNNベースのアプローチによるデータベースシステムの改善に焦点を当てた研究が急増している。 本調査は,DBシステムにおけるGNNの構造的かつ詳細な概要を提供することで,このギャップを埋めることを目的としている。
  論文  参考訳（メタデータ） (2025-02-18T14:51:50Z)
• RelGNN: Composite Message Passing for Relational Deep Learning [56.48834369525997]
  RelGNNはリレーショナルデータベースから構築されたグラフのユニークな構造特性を活用するために特別に設計された新しいGNNフレームワークである。 RelGNNは、Relbench(Fey et al., 2024)から30の多様な実世界のタスクで評価され、ほとんどのタスクで最先端のパフォーマンスを実現し、最大25%の改善を実現している。
  論文  参考訳（メタデータ） (2025-02-10T18:58:40Z)
• LGB: Language Model and Graph Neural Network-Driven Social Bot Detection [43.92522451274129]
  悪意のあるソーシャルボットは、誤った情報を広め、社会的世論を喚起することで、悪意ある目的を達成する。 言語モデル (LM) とグラフニューラルネットワーク (GNN) の2つの主要コンポーネントから構成される新しいソーシャルボット検出フレームワーク LGB を提案する。 2つの実世界のデータセットの実験では、LGBは最先端のベースラインモデルよりも最大10.95%向上している。
  論文  参考訳（メタデータ） (2024-06-13T02:47:38Z)
• Collaborative Graph Neural Networks for Attributed Network Embedding [63.39495932900291]
  グラフニューラルネットワーク(GNN)は、属性付きネットワーク埋め込みにおいて顕著な性能を示している。 本稿では,ネットワーク埋め込みに適したGNNアーキテクチャであるCulaborative graph Neural Networks-CONNを提案する。
  論文  参考訳（メタデータ） (2023-07-22T04:52:27Z)
• JoinBoost: Grow Trees Over Normalized Data Using Only SQL [10.919507523061888]
  JoinBoostは、正規化されたデータベース上のツリートレーニングアルゴリズムを純粋なSQLに書き換えるPythonライブラリである。 それは、特殊なMLライブラリとパフォーマンスの競争力を提供し、基礎となる機能とスケールする。 実験の結果、JoinBoostはLightGBMよりも3倍高速で、最先端のIn-DB MLシステムよりも桁違いに高速であることがわかった。
  論文  参考訳（メタデータ） (2023-07-01T20:18:45Z)
• Neural Graph Reasoning: Complex Logical Query Answering Meets Graph Databases [63.96793270418793]
  複雑な論理クエリ応答(CLQA)は、グラフ機械学習の最近登場したタスクである。 ニューラルグラフデータベース(NGDB)の概念を紹介する。 NGDBはNeural Graph StorageとNeural Graph Engineで構成されている。
  論文  参考訳（メタデータ） (2023-03-26T04:03:37Z)
• Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
  長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。 完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。 本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
  論文  参考訳（メタデータ） (2022-09-20T14:41:37Z)
• Machine Learning with DBOS [5.316591964647816]
  DBOSは、ストアドプロシージャ内にMLコードをカプセル化し、MLデータを集中化し、基盤となるMLデータに組み込まれたセキュリティを提供し、データとワークフローを追跡することで、MLアプリケーションをサポートする方法を示す。 本稿では,DBOS が支援する Web サービス上での HTTP 要求の異常検出を訓練した 1D CNN を提案する。 このモデルを用いて対話型異常検出システムを開発し,定性的なユーザフィードバックを通じて評価し,DBOS上に学習リアルタイムセキュリティサービスを開発するための概念実証としての有用性を示す。
  論文  参考訳（メタデータ） (2022-08-10T01:46:50Z)
• Bridging Textual and Tabular Data for Cross-Domain Text-to-SQL Semantic Parsing [110.97778888305506]
  BRIDGEは、フィールドのサブセットが質問に言及されたセル値で拡張されるタグ付きシーケンスの質問とDBスキーマを表します。 BRIDGEは、人気のクロスDBテキスト-リレーショナルベンチマークで最先端のパフォーマンスを達成しました。 本分析は,BRIDGEが望まれる相互依存を効果的に捕捉し,さらにテキストDB関連タスクに一般化する可能性を示唆している。
  論文  参考訳（メタデータ） (2020-12-23T12:33:52Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Large-Scale Intelligent Microservices [24.99695289157708]
  我々は、データベース操作を拡張してWebサービスプリミティブを含むApache Sparkベースのマイクロサービスオーケストレーションフレームワークを紹介します。 音声、視覚、検索、異常検出、テキスト分析などのインテリジェントなサービスに対して大規模なクライアントを提供する。
  論文  参考訳（メタデータ） (2020-09-17T03:38:28Z)

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。