論文の概要: AI-Driven Cloud Resource Optimization for Multi-Cluster Environments
- arxiv url: http://arxiv.org/abs/2512.24914v1
- Date: Wed, 31 Dec 2025 15:15:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-01 23:27:28.687336
- Title: AI-Driven Cloud Resource Optimization for Multi-Cluster Environments
- Title（参考訳）: マルチクラスタ環境のためのAI駆動型クラウドリソース最適化
- Authors: Vinoth Punniyamoorthy, Akash Kumar Agarwal, Bikesh Kumar, Abhirup Mazumder, Kabilan Kannan, Sumit Saha,
- Abstract要約: 本稿では,マルチクラスタクラウドシステムにおけるアダプティブリソース最適化のためのAI駆動型フレームワークを提案する。
提案手法は、予測学習、ポリシー対応意思決定、継続的なフィードバックを統合する。
プロトタイプの実装では、リソース効率の向上、ワークロードの変動時の安定化の高速化、パフォーマンスのばらつきの低減などが示されている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern cloud-native systems increasingly rely on multi-cluster deployments to support scalability, resilience, and geographic distribution. However, existing resource management approaches remain largely reactive and cluster-centric, limiting their ability to optimize system-wide behavior under dynamic workloads. These limitations result in inefficient resource utilization, delayed adaptation, and increased operational overhead across distributed environments. This paper presents an AI-driven framework for adaptive resource optimization in multi-cluster cloud systems. The proposed approach integrates predictive learning, policy-aware decision-making, and continuous feedback to enable proactive and coordinated resource management across clusters. By analyzing cross-cluster telemetry and historical execution patterns, the framework dynamically adjusts resource allocation to balance performance, cost, and reliability objectives. A prototype implementation demonstrates improved resource efficiency, faster stabilization during workload fluctuations, and reduced performance variability compared to conventional reactive approaches. The results highlight the effectiveness of intelligent, self-adaptive infrastructure management as a key enabler for scalable and resilient cloud platforms.
- Abstract（参考訳）: 現代のクラウドネイティブシステムは、スケーラビリティ、レジリエンス、地理的分散をサポートするために、ますますマルチクラスタデプロイメントに依存している。
しかし、既存のリソース管理アプローチは主にリアクティブでクラスタ中心であり、動的ワークロード下でのシステム全体の振る舞いを最適化する能力を制限する。
これらの制限は、非効率なリソース利用、遅延適応、分散環境全体の運用オーバーヘッドの増加をもたらす。
本稿では,マルチクラスタクラウドシステムにおけるアダプティブリソース最適化のためのAI駆動型フレームワークを提案する。
提案手法は、予測学習、ポリシー対応意思決定、継続的なフィードバックを統合して、クラスタ間のアクティブかつ協調的なリソース管理を可能にする。
クラスタ間テレメトリと過去の実行パターンを分析することで、このフレームワークはリソース割り当てを動的に調整し、パフォーマンス、コスト、信頼性のバランスをとる。
プロトタイプ実装では、従来のリアクティブアプローチと比較して、リソース効率の向上、ワークロードの変動時の安定化の高速化、パフォーマンスのばらつきの低減が示されている。
その結果は、スケーラブルでレジリエントなクラウドプラットフォームのための重要な実現手段として、インテリジェントで自己適応的なインフラストラクチャ管理の有効性を強調している。
関連論文リスト
- Bridging VLMs and Embodied Intelligence with Deliberate Practice Policy Optimization [72.20212909644017]
Deliberate Practice Policy Optimization (DPPO) はメタ認知型メタループのトレーニングフレームワークである。
DPPOは教師付き微調整(能力拡張)と強化学習(技能向上)の交互に行う
実証的には、DPPO(Pelican-VL 1.0)で視覚言語を具現化したモデルをトレーニングすると、ベースモデルよりも20.3%パフォーマンスが向上する。
私たちはモデルとコードをオープンソースにして、データとリソースのボトルネックを軽減する最初の体系的なフレームワークを提供しています。
論文 参考訳（メタデータ） (2025-11-20T17:58:04Z) - Efficient Onboard Vision-Language Inference in UAV-Enabled Low-Altitude Economy Networks via LLM-Enhanced Optimization [61.55616421408666]
低高度経済ネットワーク(LAENets)は、航空監視、環境検知、セマンティックデータ収集など、様々な応用を可能にしている。
オンボードビジョン(VLM)は、リアルタイムな推論を提供するが、オンボードの動的ネットワーク条件は限られている。
動的LEENet条件下での通信効率を向上させるUAV対応LEENetシステムを提案する。
論文 参考訳（メタデータ） (2025-10-11T05:11:21Z) - Autonomous Resource Management in Microservice Systems via Reinforcement Learning [15.956459415328775]
本稿では,マイクロサービスリソーススケジューリングと最適化のための強化学習に基づく手法を提案する。
マイクロサービスシステムでは、サービスの数と負荷の増加に伴って、リソースの効率的なスケジューリングと割り当てが重要な研究課題になります。
多次元資源条件下では、提案手法は複数の目的を考慮し、最適化された資源スケジューリングを実現することができる。
論文 参考訳（メタデータ） (2025-07-17T07:58:16Z) - Scalability Optimization in Cloud-Based AI Inference Services: Strategies for Real-Time Load Balancing and Automated Scaling [1.3689475854650441]
本研究では,クラウドAI推論サービスのための拡張性最適化フレームワークを提案する。
提案モデルは,適応負荷分布に対する強化学習と,正確な需要予測のためのディープニューラルネットワークを組み合わせたハイブリッドアプローチである。
実験の結果,提案モデルでは負荷分散効率を35倍に向上し,応答遅延を28。
論文 参考訳（メタデータ） (2025-04-16T04:00:04Z) - Dynamic Scheduling Strategies for Resource Optimization in Computing Environments [0.29008108937701327]
本稿では,資源利用,負荷分散,タスク完了効率といった重要な性能指標のバランスをとることを目的とした,多目的最適化に基づくコンテナスケジューリング手法を提案する。
実験の結果, 従来の静的ルールアルゴリズムや効率アルゴリズムと比較して, 資源利用, 負荷分散, バーストタスク完了において, 最適化されたスケジューリング方式が有益であることが示唆された。
論文 参考訳（メタデータ） (2024-12-23T05:43:17Z) - Cluster-Based Multi-Agent Task Scheduling for Space-Air-Ground Integrated Networks [60.085771314013044]
低高度経済は、コミュニケーションやセンシングなどの分野で発展する大きな可能性を秘めている。
本稿では,SAGINにおけるマルチUAV協調タスクスケジューリング問題に対処するため,クラスタリングに基づく多エージェントDeep Deterministic Policy Gradient (CMADDPG)アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-12-14T06:17:33Z) - Hierarchical Multi-Agent DRL Based Dynamic Cluster Reconfiguration for UAV Mobility Management [46.80160709931929]
マルチコネクション性には、分散アクセスポイント(AP)間の動的クラスタ形成と、これらのAPからのリソース割り当ての調整が含まれる。
本研究では,エネルギー効率のよい動的クラスタ再構成を用いた無人航空機(UAV)の移動性管理手法を提案する。
論文 参考訳（メタデータ） (2024-12-05T19:20:42Z) - AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms [1.03590082373586]
本稿では,ハイブリッドクラウドプラットフォームにおけるリソース割り当てのためのAI駆動型フレームワークを提案する。
このフレームワークは、コスト削減と性能向上のために強化学習(RL)ベースのリソース利用最適化を採用している。
論文 参考訳（メタデータ） (2024-12-03T17:41:08Z) - Reinforcement Learning-Based Adaptive Load Balancing for Dynamic Cloud Environments [0.0]
これらの課題に対処するために,Reinforcement Learning (RL) を用いた適応型ロードバランシングフレームワークを提案する。
我々のフレームワークは、タスクを動的に再配置し、レイテンシを最小化し、サーバ間のリソース利用のバランスを確保するように設計されています。
実験の結果,提案したRLベースのロードバランサは,応答時間,資源利用量,ワークロードの変化に対する適応性などの観点から,従来のアルゴリズムよりも優れていた。
論文 参考訳（メタデータ） (2024-09-07T19:40:48Z) - Adaptive Resource Allocation for Virtualized Base Stations in O-RAN with Online Learning [55.08287089554127]
基地局(vBS)を備えたオープンラジオアクセスネットワークシステムは、柔軟性の向上、コスト削減、ベンダーの多様性、相互運用性のメリットを提供する。
本研究では,予期せぬ「混み合う」環境下であっても,効率的なスループットとvBSエネルギー消費のバランスをとるオンライン学習アルゴリズムを提案する。
提案手法は, 課題のある環境においても, 平均最適性ギャップをゼロにすることで, サブ線形後悔を実現する。
論文 参考訳（メタデータ） (2023-09-04T17:30:21Z)
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。