論文の概要: Intelligent Load Balancing in Cloud Computer Systems

• arxiv url: http://arxiv.org/abs/2509.22704v1
• Date: Mon, 22 Sep 2025 19:39:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-30 22:32:18.810114
• Title: Intelligent Load Balancing in Cloud Computer Systems
• Title（参考訳）: クラウドコンピューティングにおけるインテリジェントロードバランシング
• Authors: Leszek Sliwko,
• Abstract要約: この研究は、クラウドノードをオーバーロードすることなくタスクを動的に割り当てる戦略を設計することであった。 このプロジェクトはウェストミンスター大学 HPC クラスタ上で広範な実験が行われた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cloud computing is an established technology allowing users to share resources on a large scale, never before seen in IT history. A cloud system connects multiple individual servers in order to process related tasks in several environments at the same time. Clouds are typically more cost-effective than single computers of comparable computing performance. The sheer physical size of the system itself means that thousands of machines may be involved. The focus of this research was to design a strategy to dynamically allocate tasks without overloading Cloud nodes which would result in system stability being maintained at minimum cost. This research has added the following new contributions to the state of knowledge: (i) a novel taxonomy and categorisation of three classes of schedulers, namely OS-level, Cluster and Big Data, which highlight their unique evolution and underline their different objectives; (ii) an abstract model of cloud resources utilisation is specified, including multiple types of resources and consideration of task migration costs; (iii) a virtual machine live migration was experimented with in order to create a formula which estimates the network traffic generated by this process; (iv) a high-fidelity Cloud workload simulator, based on a month-long workload traces from Google's computing cells, was created; (v) two possible approaches to resource management were proposed and examined in the practical part of the manuscript: the centralised metaheuristic load balancer and the decentralised agent-based system. The project involved extensive experiments run on the University of Westminster HPC cluster, and the promising results are presented together with detailed discussions and a conclusion.
• Abstract（参考訳）: クラウドコンピューティングは、IT史上初めて、ユーザーが大規模にリソースを共有できる確立した技術である。 クラウドシステムは複数の個々のサーバを接続し、複数の環境における関連するタスクを同時に処理する。 クラウドは通常、同等の性能のシングルコンピュータよりもコスト効率が高い。 システム自体の物理的サイズは、数千台のマシンが関与する可能性があることを意味している。 本研究の目的は,クラウドノードをオーバーロードすることなくタスクを動的に割り当てる戦略を設計することであった。 この研究は、以下の知識状態への新しい貢献を付け加えた。 i)OSレベル,クラスタ,ビッグデータという3種類のスケジューラの新たな分類と分類 (II)複数種類のリソースを含むクラウドリソース利用の抽象モデルとタスクマイグレーションコストの考慮。 三 仮想機械のライブマイグレーションを実験して、この処理によって発生したネットワークトラフィックを推定する公式を作成する。 (iv)Googleのコンピューティングセルから1ヶ月のワークロードトレースに基づく高忠実度クラウドワークロードシミュレータが作成された。 (v) 中央集権型メタヒューリスティックロードバランサと分散型エージェントベースシステムという2つの手法が提案され,本書の実践的部分において検討された。 このプロジェクトには、ウェストミンスター大学HPCクラスタ上での広範な実験が含まれており、将来性のある結果は詳細な議論と結論と共に提示される。

関連論文リスト

• Computing in the Era of Large Generative Models: From Cloud-Native to AI-Native [46.7766555589807]
  クラウドネイティブ技術と高度な機械学習推論の両方のパワーを利用するAIネイティブコンピューティングパラダイムについて説明する。 これらの共同作業は、コスト・オブ・グッド・ソード(COGS)を最適化し、資源のアクセシビリティを向上させることを目的としている。
  論文  参考訳（メタデータ） (2024-01-17T20:34:11Z)
• The MIT Supercloud Workload Classification Challenge [10.458111248130944]
  本稿では,MIT Supercloudデータセットに基づくワークロード分類の課題について述べる。 この課題の目標は、計算ワークロードの分析におけるアルゴリズムのイノベーションを促進することである。
  論文  参考訳（メタデータ） (2022-04-12T14:28:04Z)
• Asynchronous Parallel Incremental Block-Coordinate Descent for Decentralized Machine Learning [55.198301429316125]
  機械学習(ML)は、巨大なIoT(Internet of Things)ベースのインテリジェントでユビキタスなコンピューティングのビッグデータ駆動モデリングと分析のための重要なテクニックである。 急成長するアプリケーションやデータ量にとって、分散学習は有望な新興パラダイムである。 本稿では,多くのユーザデバイスに分散した分散システム上でMLモデルをトレーニングする問題について検討する。
  論文  参考訳（メタデータ） (2022-02-07T15:04:15Z)
• Molecular Dynamics Simulations on Cloud Computing and Machine Learning Platforms [0.8093262393618671]
  我々は、科学計算アプリケーションの計算構造、設計、要求のパラダイムシフトを見る。 データ駆動型と機械学習のアプローチは、科学計算アプリケーションをサポートし、スピードアップし、拡張するために使用されています。 クラウドコンピューティングプラットフォームは、科学コンピューティングにますますアピールしている。
  論文  参考訳（メタデータ） (2021-11-11T21:20:26Z)
• Edge-Cloud Polarization and Collaboration: A Comprehensive Survey [61.05059817550049]
  クラウドとエッジ両方のAIの体系的なレビューを行います。 私たちはクラウドとエッジモデリングの協調学習メカニズムを最初にセットアップしました。 我々は現在進行中の最先端AIトピックの可能性と実践経験について議論する。
  論文  参考訳（メタデータ） (2021-11-11T05:58:23Z)
• The MIT Supercloud Dataset [3.375826083518709]
  我々は、大規模なHPCとデータセンター/クラウドオペレーションの分析において、革新的なAI/MLアプローチを促進することを目的とした、MIT Supercloudデータセットを紹介します。 我々は、ジョブ毎のCPUおよびGPU使用率、メモリ使用率、ファイルシステムログ、物理モニタリングデータを含む、MIT Supercloudシステムから詳細な監視ログを提供する。 本稿では,データセットの詳細,収集手法,データ可用性について論じ,このデータを用いて開発されている潜在的な課題について論じる。
  論文  参考訳（メタデータ） (2021-08-04T13:06:17Z)
• Machine Learning (ML)-Centric Resource Management in Cloud Computing: A Review and Future Directions [22.779373079539713]
  インフラストラクチャ・アズ・ア・サービス(I)は、最も重要かつ急速に成長する分野の1つです。 私のクラウドコンピューティングの最も重要な側面の1つは、リソース管理です。 機械学習は、さまざまなリソース管理タスクを処理するために使用されます。
  論文  参考訳（メタデータ） (2021-05-09T08:03:58Z)
• Information Freshness-Aware Task Offloading in Air-Ground Integrated Edge Computing Systems [49.80033982995667]
  本稿では,空域統合マルチアクセスエッジコンピューティングシステムにおける情報更新性を考慮したタスクオフロードの問題について検討する。 サードパーティのリアルタイムアプリケーションサービスプロバイダは、InPからの限られた通信と計算リソースで、加入したモバイルユーザ(MU)にコンピューティングサービスを提供する。 本稿では,各MUに2つの個別の深度Q-networksを適用し,Q-factorと後Q-factorを近似する新しい深度強化学習手法を提案する。
  論文  参考訳（メタデータ） (2020-07-15T21:32:43Z)
• A Privacy-Preserving Distributed Architecture for Deep-Learning-as-a-Service [68.84245063902908]
  本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。 クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
  論文  参考訳（メタデータ） (2020-03-30T15:12:03Z)

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。