論文の概要: Big Data Workload Profiling for Energy-Aware Cloud Resource Management
- arxiv url: http://arxiv.org/abs/2601.11935v1
- Date: Sat, 17 Jan 2026 06:50:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-21 22:47:22.386194
- Title: Big Data Workload Profiling for Energy-Aware Cloud Resource Management
- Title（参考訳）: エネルギーを考慮したクラウドリソース管理のためのビッグデータワークロードプロファイリング
- Authors: Milan Parikh, Aniket Abhishek Soni, Sneja Mitinbhai Shah, Ayush Raj Jha,
- Abstract要約: 本稿では,ワークロードを意識し,エネルギー効率のよいスケジューリングフレームワークを提案する。
仮想マシンの配置決定をガイドするために、利用率、メモリ要求、ストレージIO動作をプロファイルする。
その結果、ベースラインスケジューラと比較して、一貫した省エネ効果は15～20%であった。
- 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 data centers face increasing pressure to reduce operational energy consumption as big data workloads continue to grow in scale and complexity. This paper presents a workload aware and energy efficient scheduling framework that profiles CPU utilization, memory demand, and storage IO behavior to guide virtual machine placement decisions. By combining historical execution logs with real time telemetry, the proposed system predicts the energy and performance impact of candidate placements and enables adaptive consolidation while preserving service level agreement compliance. The framework is evaluated using representative Hadoop MapReduce, Spark MLlib, and ETL workloads deployed on a multi node cloud testbed. Experimental results demonstrate consistent energy savings of 15 to 20 percent compared to a baseline scheduler, with negligible performance degradation. These findings highlight workload profiling as a practical and scalable strategy for improving the sustainability of cloud based big data processing environments.
- Abstract（参考訳）: ビッグデータワークロードがスケールと複雑性を増し続けており、クラウドデータセンタは運用エネルギー消費を減らす圧力の増大に直面している。
本稿では、CPU利用率、メモリ需要、ストレージIOの振る舞いをプロファイリングし、仮想マシン配置決定を導出するワークロード認識およびエネルギー効率のよいスケジューリングフレームワークを提案する。
提案システムは,過去の実行ログとリアルタイムテレメトリを組み合わせることで,候補配置のエネルギーと性能への影響を予測し,サービスレベル合意の遵守を維持しつつ,適応的な統合を可能にする。
このフレームワークは、Hadoop MapReduce、Spark MLlib、マルチノードクラウドテストベッドにデプロイされたETLワークロードを使用して評価される。
実験の結果, ベースラインスケジューラと比較して, 連続した省エネ効果は15～20%であり, 性能劣化は無視できることがわかった。
これらの知見は、クラウドベースのビッグデータ処理環境の持続可能性を改善するための実用的でスケーラブルな戦略として、ワークロードプロファイリングを強調している。
関連論文リスト
- Towards Carbon-Aware Container Orchestration: Predicting Workload Energy Consumption with Federated Learning [8.968986043976532]
本稿では,企業内における機密性の高い運用データを維持することにより,データのプライバシを保護する,エネルギー消費予測のためのフェデレート学習手法を提案する。
私たちのフレームワークは、FlowerのFedXgbBaggingアグリゲーションを使用して、分散クライアント間で協調的にXGBoostモデルをトレーニングします。
この研究は、KeplerやCASPERといった以前のシステムにおける、データのプライバシとエネルギー予測効率の間の未解決のトレードオフに対処する。
論文 参考訳（メタデータ） (2025-10-04T23:01:59Z) - CloudFormer: An Attention-based Performance Prediction for Public Clouds with Unknown Workload [9.00677252346245]
クラウドプラットフォームは、多様なリソース集約的なワークロードをホストするためにますます頼りになっています。
VMスケジューリングやリソースプロビジョニングといった既存の管理技術は、正確なパフォーマンス予測を必要とします。
ブラックボックス環境におけるVM性能劣化を予測するために設計された,デュアルブランチトランスフォーマーベースのモデルであるCloudFormerを提案する。
論文 参考訳（メタデータ） (2025-09-03T15:15:44Z) - Energy-Efficient Federated Learning for Edge Real-Time Vision via Joint Data, Computation, and Communication Design [43.89869891417806]
無線エッジデバイスにおけるリアルタイムコンピュータビジョン(CV)アプリケーションは、エネルギー効率とプライバシ保護の学習を必要とする。
信頼できない無線ネットワーク上でのリアルタイムCVのための超エネルギー効率FLフレームワークであるFedDPQを提案する。
論文 参考訳（メタデータ） (2025-08-03T13:05:11Z) - Benchmarking of CPU-intensive Stream Data Processing in The Edge Computing Systems [41.19058376513831]
本稿では, エッジクラスタ内の単一処理ノードの電力消費特性と性能特性を, マイクロベンチマークを用いて評価する。
その結果、性能と消費電力の両面から、最適な測定値がエッジリソースの最適化利用にどのように寄与するかが示されている。
論文 参考訳（メタデータ） (2025-05-12T17:02:02Z) - Optimized Cloud Resource Allocation Using Genetic Algorithms for Energy Efficiency and QoS Assurance [0.0]
本稿では,遺伝的アルゴリズムによる仮想マシンの配置と統合のためのアプローチを提案する。
提案手法は,リアルタイムのワークロード変動に基づいて動的にVM割り当てを調整する。
実験の結果,エネルギー消費,VMマイグレーション,SLA違反率,実行時間の顕著な削減が示された。
論文 参考訳（メタデータ） (2025-04-24T15:45:40Z) - Scalable Federated Unlearning via Isolated and Coded Sharding [76.12847512410767]
フェデレートされたアンラーニングは、クライアントレベルのデータエフェクトを削除するための有望なパラダイムとして登場した。
本稿では,分散シャーディングと符号化コンピューティングに基づく,スケーラブルなフェデレーション・アンラーニング・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-01-29T08:41:45Z) - Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A
Multi-Agent Reinforcement Learning Approach [48.18355658448509]
生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。
地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。
本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
論文 参考訳（メタデータ） (2023-04-17T02:12:30Z) - Balancing Performance and Energy Consumption of Bagging Ensembles for
the Classification of Data Streams in Edge Computing [9.801387036837871]
エッジコンピューティング(EC)は、IoT(Internet of Things)や5Gネットワークといったテクノロジを開発する上で可能な要素として登場した。
本研究は,データストリームの分類において,バッグアンサンブルの性能とエネルギー消費を最適化するための戦略を検討する。
論文 参考訳（メタデータ） (2022-01-17T04:12:18Z) - Reproducible Performance Optimization of Complex Applications on the
Edge-to-Cloud Continuum [55.6313942302582]
エッジ・ツー・クラウド・コンティニュム上でのリアルタイムアプリケーションの最適化を支援する手法を提案する。
提案手法は, 制御されたテストベッド環境において, その動作を理解するための厳密な構成解析に頼っている。
当社の方法論はEdge-to-Cloud Continuumの他のアプリケーションに一般化することができる。
論文 参考訳（メタデータ） (2021-08-04T07:35:14Z) - Performance and Energy-Aware Bi-objective Tasks Scheduling for Cloud
Data Centers [0.0]
クラウドコンピューティングはユーザタスクのリモート実行を可能にする。
スマートシティサービスやアプリケーションにおけるクラウドコンピューティングの普及には、qos(quality of services)に準拠したタスクをタイムリーに実行する必要がある
コンピューティングサーバーの使用の増加は、高エネルギー消費、運用コスト、および環境汚染の問題を強化します。
矛盾する性能とエネルギー目標をトレードオフするために、パフォーマンスとエネルギー最適化の二目的的アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-04-25T08:55:57Z) - A Framework for Energy and Carbon Footprint Analysis of Distributed and
Federated Edge Learning [48.63610479916003]
本稿では,分散学習政策の環境フットプリントに影響を与える要因を概説し,分析する。
バニラとコンセンサスによって駆動される分散FLポリシーの両方をモデル化する。
その結果、flは低ビット/ジュール効率を特徴とするワイヤレスシステムにおいて、顕著なエンドツーエンドの省エネ(30%-40%)が可能となった。
論文 参考訳（メタデータ） (2021-03-18T16:04:42Z)
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。