論文の概要: Machine learning-based cloud resource allocation algorithms: a comprehensive comparative review

• arxiv url: http://arxiv.org/abs/2511.11603v1
• Date: Fri, 31 Oct 2025 20:30:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-23 18:31:12.282554
• Title: Machine learning-based cloud resource allocation algorithms: a comprehensive comparative review
• Title（参考訳）: 機械学習に基づくクラウドリソース割り当てアルゴリズムの総合的比較
• Authors: Deep Bodra, Sushil Khairnar,
• Abstract要約: クラウドリソースの割り当ては、現代のコンピューティング環境において大きな課題となっている。 従来のアプローチは、既存のクラウドインフラストラクチャの多目的最適化要求に対処するには不十分である。 本稿では,資源配分のための最先端人工知能と機械学習アルゴリズムの比較分析を行う。
• 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 resource allocation has emerged as a major challenge in modern computing environments, with organizations struggling to manage complex, dynamic workloads while optimizing performance and cost efficiency. Traditional heuristic approaches prove inadequate for handling the multi-objective optimization demands of existing cloud infrastructures. This paper presents a comparative analysis of state-of-the-art artificial intelligence and machine learning algorithms for resource allocation. We systematically evaluate 10 algorithms across four categories: Deep Reinforcement Learning approaches, Neural Network architectures, Traditional Machine Learning enhanced methods, and Multi-Agent systems. Analysis of published results demonstrates significant performance improvements across multiple metrics including makespan reduction, cost optimization, and energy efficiency gains compared to traditional methods. The findings reveal that hybrid architectures combining multiple artificial intelligence and machine learning techniques consistently outperform single-method approaches, with edge computing environments showing the highest deployment readiness. Our analysis provides critical insights for both academic researchers and industry practitioners seeking to implement next-generation cloud resource allocation strategies in increasingly complex and dynamic computing environments.
• Abstract（参考訳）: クラウドリソースの割り当ては、パフォーマンスとコスト効率を最適化しながら、複雑な動的ワークロードの管理に苦労している組織によって、現代のコンピューティング環境において大きな課題として浮上しています。 従来のヒューリスティックアプローチは、既存のクラウドインフラストラクチャの多目的最適化要求に対処するには不十分である。 本稿では,資源配分のための最先端人工知能と機械学習アルゴリズムの比較分析を行う。 我々は,Deep Reinforcement Learningアプローチ,ニューラルネットワークアーキテクチャ,従来の機械学習強化手法,マルチエージェントシステムという,4つのカテゴリの10のアルゴリズムを体系的に評価した。 その結果, 従来の手法と比較して, コスト削減, コスト最適化, エネルギー効率向上など, 複数の指標で有意な性能向上が見られた。 この結果から、複数の人工知能と機械学習技術を組み合わせたハイブリッドアーキテクチャは、単一メソッドのアプローチを一貫して上回り、エッジコンピューティング環境は、最もデプロイの準備ができていることを示している。 我々の分析は、ますます複雑でダイナミックなコンピューティング環境において、次世代のクラウドリソース割り当て戦略を実装しようとしている学術研究者と業界実践者の両方に重要な洞察を与えます。

関連論文リスト

• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• A Survey on Inference Optimization Techniques for Mixture of Experts Models [50.40325411764262]
  大規模Mixture of Experts(MoE)モデルは、条件計算によるモデル容量と計算効率の向上を提供する。 これらのモデル上で推論をデプロイし実行することは、計算資源、レイテンシ、エネルギー効率において大きな課題を示す。 本調査では,システムスタック全体にわたるMoEモデルの最適化手法について分析する。
  論文  参考訳（メタデータ） (2024-12-18T14:11:15Z)
• Machine Learning Insides OptVerse AI Solver: Design Principles and Applications [74.67495900436728]
  本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。 本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。 本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
  論文  参考訳（メタデータ） (2024-01-11T15:02:15Z)

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。