論文の概要: FLAS: a combination of proactive and reactive auto-scaling architecture for distributed services
- arxiv url: http://arxiv.org/abs/2510.20388v1
- Date: Thu, 23 Oct 2025 09:38:07 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:17.735613
- Title: FLAS: a combination of proactive and reactive auto-scaling architecture for distributed services
- Title（参考訳）: FLAS: 分散型サービスのためのプロアクティブおよびリアクティブ自動スケーリングアーキテクチャの組み合わせ
- Authors: Víctor Rampérez, Javier Soriano, David Lizcano, Juan A. Lara,
- Abstract要約: 本稿では、分散サービスのオートスケーラであるFLAS(Forecasted Load Auto-Scaling)を紹介する。
最適なスケーリングアクションを決定するために、状況に応じてプロアクティブとリアクティブのアプローチの利点を組み合わせる。
本稿では,コンテンツベースのパブリッシュ・サブスクライブ分散システムにおけるFLAS実装について述べる。
- 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 has established itself as the support for the vast majority of emerging technologies, mainly due to the characteristic of elasticity it offers. Auto-scalers are the systems that enable this elasticity by acquiring and releasing resources on demand to ensure an agreed service level. In this article we present FLAS (Forecasted Load Auto-Scaling), an auto-scaler for distributed services that combines the advantages of proactive and reactive approaches according to the situation to decide the optimal scaling actions in every moment. The main novelties introduced by FLAS are (i) a predictive model of the high-level metrics trend which allows to anticipate changes in the relevant SLA parameters (e.g. performance metrics such as response time or throughput) and (ii) a reactive contingency system based on the estimation of high-level metrics from resource use metrics, reducing the necessary instrumentation (less invasive) and allowing it to be adapted agnostically to different applications. We provide a FLAS implementation for the use case of a content-based publish-subscribe middleware (E-SilboPS) that is the cornerstone of an event-driven architecture. To the best of our knowledge, this is the first auto-scaling system for content-based publish-subscribe distributed systems (although it is generic enough to fit any distributed service). Through an evaluation based on several test cases recreating not only the expected contexts of use, but also the worst possible scenarios (following the Boundary-Value Analysis or BVA test methodology), we have validated our approach and demonstrated the effectiveness of our solution by ensuring compliance with performance requirements over 99% of the time.
- Abstract（参考訳）: クラウドコンピューティングは、主に弾力性の特徴から、新興技術の大部分のサポートとして、自らを確立している。
オートスケーラは、合意されたサービスレベルを保証するために、要求に応じてリソースを取得し、リリースすることで、この弾力性を実現するシステムである。
このFLAS(Forecasted Load Auto-Scaling)は、アクティブなアプローチとリアクティブなアプローチの利点を組み合わせた分散サービスのオートスケーラで、各時点における最適なスケーリングアクションを決定する。
FLASの紹介する新奇性は
(i)関連するSLAパラメータ(例えば応答時間やスループットなどのパフォーマンス指標)の変化を予測できる高レベルのメトリクストレンドの予測モデルと
二 リソース利用メトリクスから高レベルのメトリクスを推定し、必要な計測(侵襲的でない)を減らし、異なるアプリケーションに不可知的に適応できるようにする。
イベント駆動アーキテクチャの基盤となるコンテンツベースのパブリッシュ・サブスクライブ・ミドルウェア(E-SilboPS)のユースケースに対するFLAS実装を提供する。
私たちの知る限りでは、これはコンテンツベースのパブリッシュ・サブスクライブ・分散システムのための最初の自動スケーリングシステムです。
期待される使用状況だけでなく、最悪のシナリオ(境界値分析やBVAテスト方法論に従う)を再現するいくつかのテストケースに基づいた評価を通じて、我々のアプローチを検証し、パフォーマンス要件への準拠を99%以上保証することで、ソリューションの有効性を実証しました。
関連論文リスト
- LLM Assisted Anomaly Detection Service for Site Reliability Engineers: Enhancing Cloud Infrastructure Resilience [5.644170923282226]
本稿では,産業時系列データに適した汎用APIを備えたスケーラブルな異常検出サービスを提案する。
サービスの利用パターンに関する洞察を提供しています。年間500人以上のユーザと20万のAPIコールがあります。
時系列基礎モデルを含むシステムを拡張し、ゼロショット異常検出機能を実現する計画である。
論文 参考訳（メタデータ） (2025-01-28T06:41:37Z) - Client-Centric Federated Adaptive Optimization [78.30827455292827]
Federated Learning(FL)は、クライアントが独自のデータをプライベートに保ちながら、協調的にモデルをトレーニングする分散学習パラダイムである。
本稿では,新しいフェデレーション最適化手法のクラスであるフェデレーション中心適応最適化を提案する。
論文 参考訳（メタデータ） (2025-01-17T04:00:50Z) - Microservices-Based Framework for Predictive Analytics and Real-time Performance Enhancement in Travel Reservation Systems [1.03590082373586]
本稿では,リアルタイム旅行予約システムの性能向上を目的としたアーキテクチャの枠組みを提案する。
私たちのフレームワークには、顧客の需要予測を最適化する機械学習モデルによるリアルタイム予測分析、動的価格設定、システムパフォーマンスが含まれています。
今後は、高度なAIモデルとエッジ処理を調査して、採用するシステムのパフォーマンスと堅牢性をさらに向上する予定である。
論文 参考訳（メタデータ） (2024-12-20T07:19:42Z) - Self-Augmented Preference Optimization: Off-Policy Paradigms for Language Model Alignment [104.18002641195442]
既存のペアデータを必要としない、効果的でスケーラブルなトレーニングパラダイムである自己拡張型優先度最適化(SAPO)を導入する。
負の反応を自律的に生成するセルフプレイの概念に基づいて、我々はさらに、データ探索とエクスプロイトを強化するために、非政治的な学習パイプラインを組み込む。
論文 参考訳（メタデータ） (2024-05-31T14:21:04Z) - OptScaler: A Collaborative Framework for Robust Autoscaling in the Cloud [10.97507717758812]
最適化モジュールを通じてプロアクティブおよびリアクティブモジュールを統合する,協調的な自動スケーリングフレームワークであるOpsScalerを提案する。
数値計算の結果,ワークロード予測モデルと協調フレームワークの優位性が示された。
論文 参考訳（メタデータ） (2023-10-26T04:38:48Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳（メタデータ） (2023-09-08T20:27:05Z) - A Deep Recurrent-Reinforcement Learning Method for Intelligent AutoScaling of Serverless Functions [18.36339203254509]
Fは軽量で関数ベースのクラウド実行モデルを導入し、IoTエッジデータ処理や異常検出など、さまざまなアプリケーションでその妥当性を見出す。
論文 参考訳（メタデータ） (2023-08-11T04:41:19Z) - Provably tuning the ElasticNet across instances [53.0518090093538]
我々は、複数の問題インスタンスにまたがるリッジ回帰、LASSO、ElasticNetの正規化パラメータをチューニングする問題を考察する。
我々の結果は、この重要な問題に対する学習理論による最初の一般的な保証である。
論文 参考訳（メタデータ） (2022-07-20T21:22:40Z) - SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。
しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文 参考訳（メタデータ） (2021-12-22T14:45:37Z) - Probabilistic Case-based Reasoning for Open-World Knowledge Graph
Completion [59.549664231655726]
ケースベース推論(CBR)システムは,与えられた問題に類似した事例を検索することで,新たな問題を解決する。
本稿では,知識ベース(KB)の推論において,そのようなシステムが実現可能であることを示す。
提案手法は,KB内の類似エンティティからの推論パスを収集することにより,エンティティの属性を予測する。
論文 参考訳（メタデータ） (2020-10-07T17:48:12Z)
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。