論文の概要: An Empirical Study on How Architectural Topology Affects Microservice Performance and Energy Usage
- arxiv url: http://arxiv.org/abs/2604.00080v1
- Date: Tue, 31 Mar 2026 17:14:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-02 16:44:31.669024
- Title: An Empirical Study on How Architectural Topology Affects Microservice Performance and Energy Usage
- Title（参考訳）: アーキテクチャトポロジがマイクロサービスのパフォーマンスとエネルギー利用に与える影響に関する実証的研究
- Authors: Irena Ristova, Vincenzo Stoico,
- Abstract要約: 本研究では, トポロジがエネルギー効率および6つの標準領域における性能に与える影響を定量的に検討した。
確率的および並列ファンアウトは、密度の強い負荷下で最もエネルギー効率のよいものとして出現する。
- 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: Microservice architectures form the backbone of modern software systems for their scalability, resilience, and maintainability, but their rise in cloud-native environments raises energy efficiency concerns. While prior research addresses microservice decomposition and placement, the impact of topology, the structural arrangement and interaction pattern among services, on energy efficiency remains largely underexplored. This study quantifies the impact of topologies on energy efficiency and performance across six canonical ones (Sequential Fan-Out, Parallel Fan-Out, Chain, Hierarchical, Probabilistic, Mesh), each instantiated at 5-, 10-, and 20-service scales using the $μ\text{Bench}$ framework. We measure throughput, response time, energy usage, CPU utilization, and failure rates under an identical workload. The results indicate that topology influences the energy efficiency of microservices under the studied conditions. As system size increases, energy consumption grows, with the steepest rise observed in dense Mesh and Chain topologies. Mesh topologies perform worst overall, with low throughput, long response times, and high failure rates. Hierarchical, Chain, and Fan-Out designs balance performance and energy use better. As systems scale, metrics converge, with Probabilistic and Parallel Fan-Out emerging as the most energy-efficient under CPU-bound loads. These results guide greener microservice architecture design and serve as a baseline for future research on workload and deployment impacts.
- Abstract（参考訳）: マイクロサービスアーキテクチャは、スケーラビリティ、レジリエンス、保守性のために、現代のソフトウェアシステムのバックボーンを形成するが、クラウドネイティブ環境の台頭は、エネルギー効率の懸念を引き起こす。
以前の研究では、マイクロサービスの分解と配置に対処する一方で、トポロジー、サービス間の構造的配置、相互作用パターンがエネルギー効率に与える影響は、大半が未解明のままである。
本研究は, 5-, 10-, 20-service Scales のそれぞれを$μ\text{Bench}$ framework を用いてインスタンス化し, トポロジがエネルギー効率と性能に与える影響を定量化した。
スループット、レスポンス時間、エネルギー使用量、CPU使用率、障害率を同じワークロードで測定します。
その結果、トポロジは研究条件下でのマイクロサービスのエネルギー効率に影響を及ぼすことが示された。
システムサイズが大きくなるにつれてエネルギー消費が増加し、密度の高いメッシュとチェーンのトポロジーで最も急激な上昇が見られる。
メッシュトポロジは、スループットが低く、応答時間が長く、フェール率が高いなど、全体的なパフォーマンスが最悪です。
Hierarchical、Chain、Fan-Outのデザインは性能とエネルギー消費のバランスが良い。
システムスケールが大きくなるにつれ、メトリクスは収束し、ProbabilisticとParallel Fan-OutはCPUバウンドロード下で最もエネルギー効率が良いものとして出現する。
これらの結果は、よりグリーンなマイクロサービスアーキテクチャ設計をガイドし、ワークロードとデプロイメントへの影響に関する将来の研究のベースラインとして役立ちます。
関連論文リスト
- PowerGrow: Feasible Co-Growth of Structures and Dynamics for Power Grid Synthesis [75.14189839277928]
本稿では,運用効率を維持しながら計算オーバーヘッドを大幅に削減する,共同生成フレームワークPowerGrowを提案する。
ベンチマーク設定による実験では、PowerGrowはフィデリティと多様性において、事前の拡散モデルよりも優れていた。
これは、運用上有効で現実的な電力グリッドシナリオを生成する能力を示している。
論文 参考訳（メタデータ） (2025-08-29T01:47:27Z) - Understanding the Information Propagation Effects of Communication Topologies in LLM-based Multi-Agent Systems [58.95962217043371]
提案手法は, エージェントの出力の正確さ, 誤動作の有無を, 異なる範囲の位相の下で伝達する因果関係を解析するための枠組みである。
実験により,有益な情報拡散を保ちながらエラーの伝播を効果的に抑制する,適度に疎らなトポロジが,通常最適なタスク性能を達成できることが判明した。
本稿では,高密度グラフとスパースグラフの両方から接続パターンを融合させることにより,エラー抑制と有益な情報伝達のバランスをとる新しいトポロジ設計手法 EIB-leanrner を提案する。
論文 参考訳（メタデータ） (2025-05-29T11:21:48Z) - Energy Considerations of Large Language Model Inference and Efficiency Optimizations [28.55549828393871]
大規模言語モデル(LLM)の規模と採用が拡大するにつれて、その計算と環境コストは上昇し続けている。
多様なNLPおよびAIワークロードにまたがる共通推論効率最適化のエネルギー含意を系統的に分析する。
本研究により, 推定効率最適化の適切な適用により, 最適化されていないベースラインから最大73%のエネルギー使用量を削減できることが判明した。
論文 参考訳（メタデータ） (2025-04-24T15:45:05Z) - How Does Microservice Granularity Impact Energy Consumption and Performance? A Controlled Experiment [8.756462820891306]
異なるスケールの2つのオープンソースのマイクロサービスベースシステムを用いた制御実験を行った。
各システムに対して、サービスやマージによる3つのレベルの粒度を作成しました。
粒度は平均461J以上のエネルギー (13%) で消費され、粗い粒度に比べて応答時間 (14%) に5.2msを加えた。
論文 参考訳（メタデータ） (2025-02-01T16:10:14Z) - Investigating Energy Efficiency and Performance Trade-offs in LLM Inference Across Tasks and DVFS Settings [1.781045155774463]
大規模言語モデル(LLM)は、幅広い自然言語処理(NLP)タスクにおいて顕著な性能を示した。
しかしながら、彼らの推論ワークロードは計算的かつエネルギー集約的であり、持続可能性や環境への影響に関する懸念を提起している。
論文 参考訳（メタデータ） (2025-01-14T16:02:33Z) - Architectural Tactics to Improve the Environmental Sustainability of Microservices: A Rapid Review [0.0]
この素早いレビューは、22のピアレビュー研究を集め、システムの環境持続可能性を改善するためのアーキテクチャ戦略を合成する。
動作可能な方法で提示され、持続可能性の側面と状況に応じて分類される6つの戦術をリストアップする。
論文 参考訳（メタデータ） (2024-07-19T22:44:58Z) - Multiagent Reinforcement Learning with an Attention Mechanism for
Improving Energy Efficiency in LoRa Networks [52.96907334080273]
ネットワーク規模が大きくなるにつれて、パケット衝突によるLoRaネットワークのエネルギー効率は急激に低下する。
マルチエージェント強化学習(MALoRa)に基づく伝送パラメータ割り当てアルゴリズムを提案する。
シミュレーションの結果,MALoRaはベースラインアルゴリズムと比較してシステムEEを著しく改善することがわかった。
論文 参考訳（メタデータ） (2023-09-16T11:37:23Z) - Computation-efficient Deep Learning for Computer Vision: A Survey [121.84121397440337]
ディープラーニングモデルは、さまざまな視覚的知覚タスクにおいて、人間レベルのパフォーマンスに到達または超えた。
ディープラーニングモデルは通常、重要な計算資源を必要とし、現実のシナリオでは非現実的な電力消費、遅延、または二酸化炭素排出量につながる。
新しい研究の焦点は計算効率のよいディープラーニングであり、推論時の計算コストを最小限に抑えつつ、良好な性能を達成することを目指している。
論文 参考訳（メタデータ） (2023-08-27T03:55:28Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z) - Energy Transformer [64.22957136952725]
我々の研究は、機械学習における有望な3つのパラダイム、すなわち注意機構、エネルギーベースモデル、連想記憶の側面を組み合わせる。
本稿では,エネルギー変換器(ET,Energy Transformer)と呼ばれる新しいアーキテクチャを提案する。
論文 参考訳（メタデータ） (2023-02-14T18:51:22Z)
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。