論文の概要: BALLAST: Bandit-Assisted Learning for Latency-Aware Stable Timeouts in Raft
- arxiv url: http://arxiv.org/abs/2512.21165v1
- Date: Wed, 24 Dec 2025 13:25:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-25 19:43:21.783752
- Title: BALLAST: Bandit-Assisted Learning for Latency-Aware Stable Timeouts in Raft
- Title（参考訳）: BALLAST:ラフトにおける遅延対応安定タイムアウトのためのバンド支援学習
- Authors: Qizhi Wang,
- Abstract要約: 本稿では,静的なタイムアウトを文脈的包帯に置き換える軽量なオンライン適応機構であるBALLASTを提案する。
本研究では, 長期遅延, 損失, 相関バースト, ノード乱流, パーティショニング/リカバリ乱流を再現可能な離散イベントシミュレーションで評価した。
- 参考スコア（独自算出の注目度）: 0.5414847001704249
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Randomized election timeouts are a simple and effective liveness heuristic for Raft, but they become brittle under long-tail latency, jitter, and partition recovery, where repeated split votes can inflate unavailability. This paper presents BALLAST, a lightweight online adaptation mechanism that replaces static timeout heuristics with contextual bandits. BALLAST selects from a discrete set of timeout "arms" using efficient linear contextual bandits (LinUCB variants), and augments learning with safe exploration to cap risk during unstable periods. We evaluate BALLAST on a reproducible discrete-event simulation with long-tail delay, loss, correlated bursts, node heterogeneity, and partition/recovery turbulence. Across challenging WAN regimes, BALLAST substantially reduces recovery time and unwritable time compared to standard randomized timeouts and common heuristics, while remaining competitive on stable LAN/WAN settings.
- Abstract（参考訳）: ランダム化された選挙タイムアウトは、Raftにとって単純で効果的な活力のヒューリスティックであるが、長期のレイテンシ、ジッタ、パーティションリカバリの下では脆くなり、繰り返し分割された投票が不有効性を増す。
本稿では,静的なタイムアウトヒューリスティックスを文脈的包帯に置き換える軽量なオンライン適応機構であるBALLASTを提案する。
BALLASTは、効率的な線形コンテキストバンドイット(LinUCBの変種)を使用して、個別のタイムアウト"アーム"から選択し、不安定な期間にリスクを克服するために安全な探索で学習を強化する。
本研究では, 長期遅延, 損失, 相関バースト, ノードの不均一性, パーティショニング/リカバリ乱流を考慮した再現可能な離散イベントシミュレーションによるBALLASTの評価を行った。
挑戦的なWAN体制全体にわたって、BALLASTは、標準的なランダム化されたタイムアウトや共通のヒューリスティックと比べて、回復時間と不安定な時間を大幅に短縮する一方で、安定したLAN/WAN設定では競争力を維持している。
関連論文リスト
- Temp-SCONE: A Novel Out-of-Distribution Detection and Domain Generalization Framework for Wild Data with Temporal Shift [0.0874967598360817]
本研究では,動的環境における時間変化を処理するために,時間的に一貫したSCONE拡張であるTemp-SCONEを提案する。
動的データセットの実験により、Temp-SCONEは時間的ドリフト下で著しく改善することが示された。
時間的安定性と一般化誤差に関する理論的考察により、Temp-SCONEは信頼性OWLへのステップとしてさらに確立される。
論文 参考訳（メタデータ） (2025-12-04T08:35:51Z) - TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting [30.11463473977148]
TimePreは、MCLパラダイムの分散柔軟性とモデルの効率を統一する新しいフレームワークである。
TimePreは、主要な確率的メトリクスで新しい最先端の精度を達成する。
これにより、確率予測における精度、効率、安定性の長年のギャップを埋める。
論文 参考訳（メタデータ） (2025-11-23T17:10:07Z) - Adaptive Federated LoRA in Heterogeneous Wireless Networks with Independent Sampling [15.218221234361922]
Federated LoRAは、分散デバイス上で大きな言語モデルを効率的に微調整する技術として登場した。
本稿では,システムとデータの不均一性の両方の下で微調整を行う独立したフェデレーションコンバージェンスウォールクロック時間を提案する。
実験により,本手法は,様々なモデルやデータセットを対象とした最先端手法と比較して,ウォールクロック時間を短縮することを示した。
論文 参考訳（メタデータ） (2025-05-29T15:31:37Z) - TimeBridge: Non-Stationarity Matters for Long-term Time Series Forecasting [49.6208017412376]
TimeBridgeは、非定常性と依存性モデリングの間のギャップを埋めるために設計された新しいフレームワークである。
TimeBridgeは、短期予測と長期予測の両方において、最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2024-10-06T10:41:03Z) - Game-Theoretic Robust Reinforcement Learning Handles Temporally-Coupled Perturbations [98.5802673062712]
我々は時間的に結合した摂動を導入し、既存の頑健な強化学習手法に挑戦する。
本稿では、時間的に結合したロバストなRL問題を部分的に観測可能な2プレイヤーゼロサムゲームとして扱う新しいゲーム理論であるGRADを提案する。
論文 参考訳（メタデータ） (2023-07-22T12:10:04Z) - Stochastic bandits with arm-dependent delays [102.63128271054741]
我々は、単純なUCBベースのアルゴリズムであるPatentBanditsを提案する。
問題に依存しない境界も問題に依存しない境界も、性能の低い境界も提供します。
論文 参考訳（メタデータ） (2020-06-18T12:13:58Z)
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。