論文の概要: Adaptive Detection of Software Aging under Workload Shift
- arxiv url: http://arxiv.org/abs/2511.03103v1
- Date: Wed, 05 Nov 2025 01:19:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-06 18:19:32.287116
- Title: Adaptive Detection of Software Aging under Workload Shift
- Title（参考訳）: ワークロードシフトによるソフトウェア老化の適応検出
- Authors: Rafael José Moura, Maria Gizele Nascimento, Fumio Machida, Ermeson Andrade,
- Abstract要約: 本研究は,動的ワークロード条件下でのソフトウェア老化検出のための機械学習に基づく適応型アプローチを提案する。
突然、段階的、反復的なワークロード移行をシミュレートした実験では、静的モデルが、目に見えないワークロードプロファイルに適用した場合、顕著なパフォーマンス低下を被ることが示された。
ADWINを用いた適応モデルは高い精度を維持し、分析されたすべてのシナリオにおいて0.93以上のF1スコアを達成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Software aging is a phenomenon that affects long-running systems, leading to progressive performance degradation and increasing the risk of failures. To mitigate this problem, this work proposes an adaptive approach based on machine learning for software aging detection in environments subject to dynamic workload conditions. We evaluate and compare a static model with adaptive models that incorporate adaptive detectors, specifically the Drift Detection Method (DDM) and Adaptive Windowing (ADWIN), originally developed for concept drift scenarios and applied in this work to handle workload shifts. Experiments with simulated sudden, gradual, and recurring workload transitions show that static models suffer a notable performance drop when applied to unseen workload profiles, whereas the adaptive model with ADWIN maintains high accuracy, achieving an F1-Score above 0.93 in all analyzed scenarios.
- Abstract（参考訳）: ソフトウェア老化は、長時間稼働するシステムに影響を与える現象であり、徐々にパフォーマンスが低下し、失敗のリスクが増大する。
そこで本研究では,動的ワークロード条件下でのソフトウェア老化検出のための機械学習に基づく適応型アプローチを提案する。
本研究では,適応検出法(DDM)と適応ウィンドウ(adaptive Windowing,ADWIN)を組み込んだ適応モデルを用いて静的モデルを評価・比較する。
突然、漸進的、反復的なワークロード移行を模擬した実験では、静的モデルが未確認のワークロードプロファイルに適用された場合、顕著なパフォーマンス低下を経験する一方、ADWINによる適応モデルは高い精度を維持し、分析されたすべてのシナリオにおいて0.93以上のF1スコアを達成する。
関連論文リスト
- Reliably Detecting Model Failures in Deployment Without Labels [14.069153343960734]
本稿では,デプロイ後劣化(PDD)モニタリングの問題点を定式化し,対処する。
本稿では,予測モデルの相違に基づく,実用的で効率的なモニタリングアルゴリズムD3Mを提案する。
標準ベンチマークと実世界の大規模内科データセットによる実証的な結果から,フレームワークの有効性が示された。
論文 参考訳（メタデータ） (2025-06-05T13:56:18Z) - An Adaptive Framework for Autoregressive Forecasting in CFD Using Hybrid Modal Decomposition and Deep Learning [3.1337872355726084]
この研究は著者の知識を最大限に活用するために、ディープラーニング(DL)自己回帰予測モデルを長期間の地平線上で安定化させるために設計された、最初の一般化可能で完全なデータ駆動適応フレームワークを提示する。
提案手法は, (i) 訓練されたDLモデルを用いて, 選択した時間間隔で流れ場の進化を予測し, (ii) 安定度が低下した場合に新たに生成されたCFDデータを用いてモデルを更新することにより, 正確な長期予測を行う。
この枠組みは, 層流から乱流まで, より複雑化する3つの流路にまたがって検証され, 30%から95パーセントの範囲で実証された。
論文 参考訳（メタデータ） (2025-05-02T18:33:41Z) - Fast-Slow Test-Time Adaptation for Online Vision-and-Language Navigation [67.18144414660681]
オンラインビジョン・アンド・ランゲージナビゲーション(VLN)のためのFSTTA(Fast-Slow Test-Time Adaptation)アプローチを提案する。
提案手法は,4つのベンチマークにおいて顕著な性能向上を実現する。
論文 参考訳（メタデータ） (2023-11-22T07:47:39Z) - Layer-wise Auto-Weighting for Non-Stationary Test-Time Adaptation [40.03897994619606]
連続的および漸進的TTAのためのレイヤワイド自動重み付けアルゴリズムを提案する。
そこで我々は,指数関数的な min-maxスケーラを提案し,外圧を緩和しながら,特定の層をほぼ凍結させる。
CIFAR-10C, CIFAR-100C, ImageNet-Cを用いた実験により, 従来の連続TTA法および漸進TTA法よりも優れた性能を示した。
論文 参考訳（メタデータ） (2023-11-10T03:54:40Z) - Active Learning of Discrete-Time Dynamics for Uncertainty-Aware Model Predictive Control [46.81433026280051]
本稿では,非線形ロボットシステムの力学を積極的にモデル化する自己教師型学習手法を提案する。
我々のアプローチは、目に見えない飛行条件に一貫して適応することで、高いレジリエンスと一般化能力を示す。
論文 参考訳（メタデータ） (2022-10-23T00:45:05Z) - MEMO: Test Time Robustness via Adaptation and Augmentation [131.28104376280197]
テスト時間ロバスト化の問題、すなわちモデルロバスト性を改善するためにテストインプットを用いて検討する。
最近の先行研究ではテスト時間適応法が提案されているが、それぞれ追加の仮定を導入している。
モデルが確率的で適応可能な任意のテスト環境で使用できるシンプルなアプローチを提案する。
論文 参考訳（メタデータ） (2021-10-18T17:55:11Z)
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。