論文の概要: Cost-Performance Analysis of Cloud-Based Retail Point-of-Sale Systems: A Comparative Study of Google Cloud Platform and Microsoft Azure
- arxiv url: http://arxiv.org/abs/2601.00530v1
- Date: Fri, 02 Jan 2026 01:54:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-05 15:04:33.499082
- Title: Cost-Performance Analysis of Cloud-Based Retail Point-of-Sale Systems: A Comparative Study of Google Cloud Platform and Microsoft Azure
- Title（参考訳）: クラウドベースの小売ポイント・オブ・セールシステムのコストパフォーマンス分析: Google Cloud PlatformとMicrosoft Azureの比較研究
- Authors: Ravi Teja Pagidoju,
- Abstract要約: 本稿では,Google Cloud Platform(GCP)とMicrosoft Azure上でのPOSワークロードのデプロイを,系統的に反復的に比較する。
自由層クラウドリソースを使用することで、POSワークロード評価のための透過的な方法論を提供します。
GCPはベースラインロード時のレスポンスタイムを23.0%高速化し、Azureは定常オペレーションのコスト効率を71.9%向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Althoughthereislittleempiricalresearchonplatform-specific performance for retail workloads, the digital transformation of the retail industry has accelerated the adoption of cloud-based Point-of-Sale (POS) systems. This paper presents a systematic, repeatable comparison of POS workload deployments on Google Cloud Platform (GCP) and Microsoft Azure using real-time API endpoints and open-source benchmarking code. Using free-tier cloud resources, we offer a transparent methodology for POS workload evaluation that small retailers and researchers can use. Our approach measures important performance metrics like response latency, throughput, and scalability while estimating operational costs based on actual resource usage and current public cloud pricing because there is no direct billing under free-tier usage. All the tables and figures in this study are generated directly from code outputs, ensuring that the experimental data and the reported results are consistent. Our analysis shows that GCP achieves 23.0% faster response times at baseline load, while Azure shows 71.9% higher cost efficiency for steady-state operations. We look at the architectural components that lead to these differences and provide a helpful framework for merchants considering cloud point-of-sale implementation. This study establishes a strong, open benchmarking methodology for retail cloud applications and offers the first comprehensive, code-driven comparison of workloads unique to point-of-sale systems across leading cloud platforms.
- Abstract（参考訳）: Thereislittleempiricalresearchonplatform-specific performance for retail workloads, the digital transformation of the retail industry has promoted the adoption of cloud-based Point-of-Sale system。
本稿では、リアルタイムAPIエンドポイントとオープンソースのベンチマークコードを用いて、Google Cloud Platform(GCP)とMicrosoft Azure上のPOSワークロード配置を体系的に繰り返し比較する。
自由層クラウドリソースを使用することで、小規模な小売業者や研究者が利用できるPOSワークロード評価のための透過的な方法論を提供します。
当社のアプローチでは,リソース使用量と現在のパブリッククラウド価格に基づいて運用コストを見積もる一方で,応答レイテンシやスループット,スケーラビリティといった重要なパフォーマンス指標を測定しています。
この研究のテーブルと数字は、コード出力から直接生成され、実験データと報告された結果が一貫していることを保証する。
解析の結果,GCPはベースライン負荷時の応答時間を23.0%高速化し,Azureは定常動作のコスト効率を71.9%向上した。
これらの違いに繋がるアーキテクチャコンポーネントを考察し、クラウド・ポイント・オブ・セールの実装を検討する販売業者にとって有用なフレームワークを提供する。
この研究は、小売クラウドアプリケーションのための強力なオープンなベンチマーク手法を確立し、主要なクラウドプラットフォームにまたがるポイント・オブ・セールシステムに特有のワークロードの包括的なコード駆動比較を初めて提供する。
関連論文リスト
- Viability and Performance of a Private LLM Server for SMBs: A Benchmark Analysis of Qwen3-30B on Consumer-Grade Hardware [0.0]
大規模言語モデル(LLM)には、クラウドベースのプロプライエタリなシステムへの依存が伴っている。
本稿では,中小企業に対して,高性能でプライベートなLLM推論サーバを低コストで展開する可能性について検討する。
論文 参考訳（メタデータ） (2025-12-28T18:08:01Z) - Serverless GPU Architecture for Enterprise HR Analytics: A Production-Scale BDaaS Implementation [6.240627892585199]
単一ノードのサーバレスGPUランタイムをTabNetに統合する,プロダクション指向のBig Data as a Service (BD) ブループリントを提案する。
HR、アダルト、BLSデータセット上でベンチマークを行い、SparkとCPUベースラインに対するアプローチを比較します。
以上の結果から,GPUパイプラインはSparkベースラインに比べて最大4.5倍高いスループット,98倍のレイテンシ,1K推論あたりのコスト90%の削減を実現している。
論文 参考訳（メタデータ） (2025-10-22T15:37:42Z) - SeBS-Flow: Benchmarking Serverless Cloud Function Workflows [51.4200085836966]
本稿では、最初のサーバーレスワークフローベンチマークスイートSeBS-Flowを提案する。
SeBS-Flowには6つの実世界のアプリケーションベンチマークと、異なる計算パターンを表す4つのマイクロベンチマークが含まれている。
当社では,パフォーマンス,コスト,スケーラビリティ,ランタイムの偏差など,3つの主要なクラウドプラットフォームに関する包括的な評価を実施しています。
論文 参考訳（メタデータ） (2024-10-04T14:52:18Z) - SpotServe: Serving Generative Large Language Models on Preemptible
Instances [64.18638174004151]
SpotServeは、プリエンプティブルインスタンスにシステムを提供する最初の分散大規模言語モデルである。
SpotServeは、既存のLLMサービスシステムと比較して、P99テールのレイテンシを2.4～9.1倍削減できることを示す。
また、SpotServeはプリエンプティブインスタンスの価格優位性を利用して、オンデマンドインスタンスのみを使用する場合と比較して54%の金銭的コストを節約できることも示しています。
論文 参考訳（メタデータ） (2023-11-27T06:31:17Z) - Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for
Microservices using LSTM-GNN [4.4345763263216895]
Graph-PHPAは、クラウドリソースを割り当てるためのグラフベースのプロアクティブ自動スケーリング戦略である。
本稿では,ルールベースのリソース割り当て方式をベースラインとして,Graph-PHPAの有効性を実証する。
論文 参考訳（メタデータ） (2022-09-06T14:57:53Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Performance Modeling of Metric-Based Serverless Computing Platforms [5.089110111757978]
提案されたパフォーマンスモデルは、開発者とプロバイダが異なる構成でデプロイメントのパフォーマンスとコストを予測するのに役立つ。
Knative上での実環境実験を行うことで,提案した性能モデルの適用性と精度を検証した。
論文 参考訳（メタデータ） (2022-02-23T00:39:01Z) - CloudRCA: A Root Cause Analysis Framework for Cloud Computing Platforms [10.385807432472854]
CloudRCAと呼ばれる根本原因分析フレームワークを提案する。
キーパフォーマンス指標(KPI)、ログ、トポロジなどの異種マルチソースデータを使用し、重要な特徴を抽出する。
f1スコアの既存のアプローチを、さまざまなクラウドシステムで一貫して上回ります。
論文 参考訳（メタデータ） (2021-11-05T23:03:21Z) - A Privacy-Preserving Distributed Architecture for
Deep-Learning-as-a-Service [68.84245063902908]
本稿では,ディープラーニング・アズ・ア・サービスのための分散アーキテクチャを提案する。
クラウドベースのマシンとディープラーニングサービスを提供しながら、ユーザの機密データを保存できる。
論文 参考訳（メタデータ） (2020-03-30T15:12:03Z)
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。