論文の概要: Generative Profiling for Soft Real-Time Systems and its Applications to Resource Allocation
- arxiv url: http://arxiv.org/abs/2604.01441v1
- Date: Wed, 01 Apr 2026 22:27:27 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-03 14:21:10.085061
- Title: Generative Profiling for Soft Real-Time Systems and its Applications to Resource Allocation
- Title（参考訳）: ソフトリアルタイムシステムの生成プロファイリングと資源配分への応用
- Authors: Georgiy A. Bondar, Abigail Eisenklam, Yifan Cai, Robert Gifford, Tushar Sial, Linh Thi Xuan Phan, Abhishek Halder,
- Abstract要約: リアルタイムシステムは、予測可能な性能を確保するために、タスクタイミングの正確な特徴付けを必要とする。
最悪の実行時間分析のような既存の手法は、リソースコンテキストの異なるタスクのきめ細かいタイミング動作をキャプチャできないことが多い。
本稿では,リアルタイムタスクに対して,コンテキスト依存の詳細なタイミングプロファイルを合成する新しい生成プロファイリング手法を提案する。
- 参考スコア（独自算出の注目度）: 1.6495587226184654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Modern real-time systems require accurate characterization of task timing behavior to ensure predictable performance, particularly on complex hardware architectures. Existing methods, such as worst-case execution time analysis, often fail to capture the fine-grained timing behaviors of a task under varying resource contexts (e.g., an allocation of cache, memory bandwidth, and CPU frequency), which is necessary to achieve efficient resource utilization. In this paper, we introduce a novel generative profiling approach that synthesizes context-dependent, fine-grained timing profiles for real-time tasks, including those for unmeasured resource allocations. Our approach leverages a nonparametric, conditional multi-marginal Schrödinger Bridge (MSB) formulation to generate accurate execution profiles for unseen resource contexts, with maximum likelihood guarantees. We demonstrate the efficiency and effectiveness of our approach through real-world benchmarks, and showcase its practical utility in a representative case study of adaptive multicore resource allocation for real-time systems.
- Abstract（参考訳）: 現代のリアルタイムシステムは、特に複雑なハードウェアアーキテクチャにおいて、予測可能な性能を確保するために、タスクタイミングの正確な特性を必要とする。
最悪の実行時間分析のような既存の手法では、リソース利用の効率化に必要な様々なリソースコンテキスト(例えば、キャッシュの割り当て、メモリ帯域幅、CPU周波数)下でのタスクのきめ細かいタイミング動作をキャプチャできない場合が多い。
本稿では,未測定資源割り当てを含むリアルタイムタスクに対して,コンテキスト依存できめ細かなタイミングプロファイルを合成する新しい生成プロファイリング手法を提案する。
提案手法は,非パラメトリックな条件付きマルチマージンガーブリッジ (MSB) の定式化を利用して,未確認のリソースコンテキストに対する正確な実行プロファイルを生成する。
実世界のベンチマークを用いて,本手法の有効性と有効性を実証し,実時間システムに対する適応型マルチコアリソース割り当ての代表的な事例として,その実用性を示す。
関連論文リスト
- DDSA: Dual-Domain Strategic Attack for Spatial-Temporal Efficiency in Adversarial Robustness Testing [15.584123527129146]
現在の対向ロバスト性試験法は、フレーム単位の徹底的な処理とフルイメージの摂動を必要とする。
本稿では,時間的選択性と空間的精度の検証を最適化する資源効率の高い対向ロバスト性試験フレームワークを提案する。
我々の二重ドメインアプローチは、攻撃効率を維持しながら、時間空間資源の大幅な保全を実現する。
論文 参考訳（メタデータ） (2026-01-18T03:14:22Z) - FlashResearch: Real-time Agent Orchestration for Efficient Deep Research [62.03819662340356]
FlashResearchは効率的なディープリサーチのための新しいフレームワークです。
シーケンシャル処理を並列なランタイムオーケストレーションに変換する。
同等のクオリティを維持しつつ、最大5倍のスピードアップを提供できる。
論文 参考訳（メタデータ） (2025-10-02T00:15:39Z) - Latency and Token-Aware Test-Time Compute [3.573250939705335]
推測時間スケーリングは、複数の候補応答を生成し、それらの中から選択することで、大きな言語モデル(LLM)の性能を向上させることができる。
動的計算アロケーションとメソッド選択の問題として,推論時間スケーリングを定式化する。
我々のフレームワークはトークンコストとウォールクロックのレイテンシの両方を明示的に組み込んでおり、後者はユーザエクスペリエンス、特にエージェントモデルにとって重要なものです。
論文 参考訳（メタデータ） (2025-09-11T21:35:19Z) - Intelligent Task Scheduling for Microservices via A3C-Based Reinforcement Learning [4.422684054800804]
本稿では,A3C強化学習アルゴリズムに基づく適応的な資源スケジューリング手法を提案する。
この手法には非同期なマルチスレッド学習機構が組み込まれており、複数のエージェントが並列サンプリングを行い、グローバルネットワークパラメータの更新を同期させることができる。
提案手法はマルチタスク・コンカレント環境において高いスケジューリング性能とシステム安定性を実現する。
論文 参考訳（メタデータ） (2025-05-01T04:42:48Z) - Haste Makes Waste: Evaluating Planning Abilities of LLMs for Efficient and Feasible Multitasking with Time Constraints Between Actions [56.88110850242265]
本稿では,現実の調理シナリオに基づいた新しいベンチマークフレームワークRecipe2Planを紹介する。
従来のベンチマークとは異なり、Recipe2Planは並列タスク実行による調理時間を最適化するためにエージェントに挑戦する。
論文 参考訳（メタデータ） (2025-03-04T03:27:02Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳（メタデータ） (2024-03-12T13:31:14Z) - Dynamic Scheduling for Federated Edge Learning with Streaming Data [56.91063444859008]
我々は,長期的エネルギー制約のある分散エッジデバイスにおいて,トレーニングデータを時間とともにランダムに生成するフェデレーションエッジ学習(FEEL)システムを検討する。
限られた通信リソースとレイテンシ要件のため、各イテレーションでローカルトレーニングプロセスに参加するのはデバイスのサブセットのみである。
論文 参考訳（メタデータ） (2023-05-02T07:41:16Z) - Optimal Resource Allocation for Serverless Queries [8.59568779761598]
以前の作業では、リソース割り当てと実行時の積極的なトレードオフを無視しながら、ピークアロケーションの予測に重点を置いていた。
本稿では,新しいクエリと過去のクエリの両方に対して,アグレッシブなトレードオフでパフォーマンスを予測できる最適なリソース割り当てシステムを提案する。
論文 参考訳（メタデータ） (2021-07-19T02:55:48Z) - Multi-Agent Reinforcement Learning with Temporal Logic Specifications [65.79056365594654]
本研究では,時間論理仕様を満たすための学習課題を,未知の環境下でエージェントのグループで検討する。
我々は、時間論理仕様のための最初のマルチエージェント強化学習手法を開発した。
主アルゴリズムの正確性と収束性を保証する。
論文 参考訳（メタデータ） (2021-02-01T01:13:03Z) - Fast-Fourier-Forecasting Resource Utilisation in Distributed Systems [10.219353459640137]
本稿では,分散コンピューティングシステムのための通信効率の高いデータ収集機構を提案する。
また,複雑なGated Recurrent Unitを用いて資源利用予測を行うディープラーニングアーキテクチャを提案する。
提案手法は,資源供給フレームワークで発生する課題を解決し,他の予測問題にも適用できる。
論文 参考訳（メタデータ） (2020-01-13T14:31:33Z)
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。