論文の概要: Container Orchestration Patterns for Optimizing Resource Use
- arxiv url: http://arxiv.org/abs/2510.00197v1
- Date: Tue, 30 Sep 2025 19:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-03 16:59:20.222963
- Title: Container Orchestration Patterns for Optimizing Resource Use
- Title（参考訳）: リソース使用を最適化するためのコンテナオーケストレーションパターン
- Authors: Diogo Maia, Filipe Correia, André Restivo, Paulo Queiroz,
- Abstract要約: サービスベースのアーキテクチャには大きなメリットがありますが、サービスオーケストレーションは依然として課題です。
sc Preemptive Scheduling, sc Service Balancing, sc Garbage Collectionの3つの主要なオーケストレーションリソース最適化パターンを定義します。
これらのパターンは、オーケストレーションプラクティスを改善し、サービスベースのアーキテクチャをより広く採用する上で、基本的な要素となります。
- 参考スコア（独自算出の注目度）: 1.1957890510931166
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Service-based architectures provide substantial benefits, yet service orchestration remains a challenge, particularly for newcomers. While various resources on orchestration techniques exist, they often lack clarity and standardization, making best practices difficult to implement and limiting their adoption within the software industry. To address this gap, we analyzed existing literature and tools to identify common orchestration practices. Based on our findings, we define three key orchestration resource optimization patterns: {\sc Preemptive Scheduling}, {\sc Service Balancing}, and {\sc Garbage Collection}. {\sc Preemptive Scheduling} allows the allocation of sufficient resources for services of higher priority in stressful situations, while {\sc Service Balancing} enables a restructuring of the nodes to allow better resource usage. To end, {\sc Garbage Collection} creates cleanup mechanisms to better understand the system's resource usage and optimize it. These patterns serve as foundational elements for improving orchestration practices and fostering broader adoption in service-based architectures.
- Abstract（参考訳）: サービスベースのアーキテクチャには大きなメリットがありますが、特に新参者にとっては、サービスオーケストレーションは依然として課題です。
オーケストレーション技術に関するさまざまなリソースが存在するが、明確さと標準化が欠如していることが多いため、ベストプラクティスの実装が難しくなり、ソフトウェア業界内での採用が制限される。
このギャップに対処するため、私たちは既存の文献やツールを分析し、一般的なオーケストレーションプラクティスを特定しました。
我々の知見に基づいて、私たちは3つの主要なオーケストレーションリソース最適化パターンを定義します。
{\sc Preemptive Scheduling} はストレスの多い状況下で高い優先度のサービスに十分なリソースを割り当てることを可能にする一方、 {\sc Service Balancing} は、より良いリソース使用を可能にするためにノードの再構築を可能にする。
最後に、 {\sc Garbage Collection}は、システムのリソース使用状況をよりよく理解し最適化するためのクリーンアップメカニズムを作成します。
これらのパターンは、オーケストレーションプラクティスを改善し、サービスベースのアーキテクチャをより広く採用する上で、基本的な要素となります。
関連論文リスト
- Building AI Service Repositories for On-Demand Service Orchestration in 6G AI-RAN [7.375775031391254]
本稿では、6GネットワークにおけるAIサービスのオーケストレーションに影響を与える重要な属性を体系的に同定し分類する。
サービスパッケージング、デプロイメント、ランタイムプロファイリングを自動化する、オープンソースのLLM支援ツールチェーンを紹介します。
論文 参考訳（メタデータ） (2025-04-13T16:40:58Z) - Towards a Decentralised Application-Centric Orchestration Framework in the Cloud-Edge Continuum [0.20075899678041528]
リソース管理ソリューションは、リソース発見、最適化、アプリケーションのデプロイ、ライフサイクル管理といったタスクを自動化し、管理することで、重要な役割を担います。
本稿ではSwarmchestrateを紹介します。Swarmsの自己組織化原則にインスパイアされた、分散化されたアプリケーション中心のオーケストレーションフレームワークです。
論文 参考訳（メタデータ） (2025-04-01T13:11:39Z) - Boosting Private Domain Understanding of Efficient MLLMs: A Tuning-free, Adaptive, Universal Prompt Optimization Framework [60.26747209785186]
マルチモーダル大言語モデル(EMLLM)は、モデルのサイズと計算コストを削減し、しばしばリソース制約されたデバイスにデプロイされる。
既存のオープンソースLMは、事前トレーニングプロセス中にプライベートドメイン固有のデータにアクセスすることは滅多にない。
我々は,universtextbfunderlineAL textbfunderlinePrompt Optimization Framework, atextbfunderlineDaptivtextbfunderlineE, universtextbfunderlineAL textbfunderlinePrompt Optimization Frameworkを提案する。
論文 参考訳（メタデータ） (2024-12-27T15:21:17Z) - DNS-Rec: Data-aware Neural Architecture Search for Recommender Systems [79.76519917171261]
本稿では,SRS(Sequential Recommender Systems)における計算オーバーヘッドと資源非効率性について述べる。
本稿では, プルーニング法と高度なモデル設計を組み合わせた革新的な手法を提案する。
我々の主な貢献は、リコメンダシステム(DNS-Rec)のためのデータ対応ニューラルアーキテクチャ検索の開発である。
論文 参考訳（メタデータ） (2024-02-01T07:22:52Z) - Consciousness-Inspired Spatio-Temporal Abstractions for Better Generalization in Reinforcement Learning [83.41487567765871]
Skipperはモデルベースの強化学習フレームワークである。
これは、与えられたタスクをより小さく、より管理しやすいサブタスクに自動的に一般化する。
環境の関連部分には、スパースな意思決定と集中した抽象化を可能にする。
論文 参考訳（メタデータ） (2023-09-30T02:25:18Z) - CRAFT: Customizing LLMs by Creating and Retrieving from Specialized
Toolsets [75.64181719386497]
大規模言語モデル(LLM)のためのツール作成・検索フレームワークであるCRAFTを提案する。
タスク用に特別にキュレートされたツールセットを作成し、複雑なタスクを解決する能力を高めるためにこれらのセットからツールを取得するコンポーネントをLLMに装備する。
本手法はフレキシブルに設計されており,既製のLCMを細かな調整なしに未確認領域やモダリティに適応するためのプラグアンドプレイ方式を提供する。
論文 参考訳（メタデータ） (2023-09-29T17:40:26Z) - BORA: Bayesian Optimization for Resource Allocation [0.19116784879310028]
本稿では,資源の最適配分を,より一般的な問題,特に時間とともに資源の可利用性が変化する問題に拡張することを提案する。
ベイズ最適化のための3つのアルゴリズムが提示され、数値ベクトルあるいは分布として表される割り当て決定に取り組んでいる。
i)本論文で提案された最初のSBFケーススタディ,および(ii)実生活アプリケーション(すなわちマルチチャネルマーケティングの最適化)の結果は,BORAがSBFよりも効率的で効果的な学習・最適化フレームワークであることを実証的に証明している。
論文 参考訳（メタデータ） (2022-10-12T07:39:05Z) - CLARA: A Constrained Reinforcement Learning Based Resource Allocation
Framework for Network Slicing [19.990451009223573]
ネットワークスライシングは,5Gおよび将来のネットワークにおける資源利用のための有望なソリューションとして提案されている。
モデルや隠れ構造を知らずにCMDP(Constrained Markov Decision Process)として問題を定式化する。
本稿では、制約付き強化LeArningに基づくリソース割当アルゴリズムであるCLARAを用いて、この問題を解決することを提案する。
論文 参考訳（メタデータ） (2021-11-16T11:54:09Z) - Optimal Resource Allocation for Serverless Queries [8.59568779761598]
以前の作業では、リソース割り当てと実行時の積極的なトレードオフを無視しながら、ピークアロケーションの予測に重点を置いていた。
本稿では,新しいクエリと過去のクエリの両方に対して,アグレッシブなトレードオフでパフォーマンスを予測できる最適なリソース割り当てシステムを提案する。
論文 参考訳（メタデータ） (2021-07-19T02:55:48Z) - CoreDiag: Eliminating Redundancy in Constraint Sets [68.8204255655161]
最小コア(最小非冗長制約集合)の決定に利用できる新しいアルゴリズムを提案する。
このアルゴリズムは、冗長性の度合いが高い分散知識工学シナリオにおいて特に有用である。
本手法の適用可能性を示すために, 商業的構成知識ベースを用いた実証的研究を実施した。
論文 参考訳（メタデータ） (2021-02-24T09:16:10Z)
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。