論文の概要: Adaptive Serverless Resource Management via Slot-Survival Prediction and Event-Driven Lifecycle Control
- arxiv url: http://arxiv.org/abs/2604.05465v1
- Date: Tue, 07 Apr 2026 05:57:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-08 17:42:09.649469
- Title: Adaptive Serverless Resource Management via Slot-Survival Prediction and Event-Driven Lifecycle Control
- Title（参考訳）: スロットサバイバル予測とイベント駆動ライフサイクル制御による適応型サーバレスリソース管理
- Authors: Zeyu Wang, Cuiqianhe Du, Renyue Zhang, Kejian Tong, Qi He, Qiyuan Tian,
- Abstract要約: サーバレスコンピューティングは、インフラストラクチャ管理のオーバーヘッドをなくすが、コールドスタートのレイテンシとリソース利用に関する大きな課題をもたらす。
本稿では,イベント駆動アーキテクチャと確率的モデリングにより,サーバレス性能を最適化する適応エンジニアリングフレームワークを提案する。
実験結果から, マルチクラウド環境におけるベースライン手法と比較して, コールドスタートを51.2%削減し, コスト効率を約2倍向上することがわかった。
- 参考スコア（独自算出の注目度）: 6.390778513308276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Serverless computing eliminates infrastructure management overhead but introduces significant challenges regarding cold start latency and resource utilization. Traditional static resource allocation often leads to inefficiencies under variable workloads, resulting in performance degradation or excessive costs. This paper presents an adaptive engineering framework that optimizes serverless performance through event-driven architecture and probabilistic modeling. We propose a dual-strategy mechanism that dynamically adjusts idle durations and employs an intelligent request waiting strategy based on slot survival predictions. By leveraging sliding window aggregation and asynchronous processing, our system proactively manages resource lifecycles. Experimental results show that our approach reduces cold starts by up to 51.2% and improves cost-efficiency by nearly 2x compared to baseline methods in multi-cloud environments.
- Abstract（参考訳）: サーバレスコンピューティングは、インフラストラクチャ管理のオーバーヘッドをなくすが、コールドスタートのレイテンシとリソース利用に関する大きな課題をもたらす。
従来の静的リソース割り当ては、多くの場合、可変ワークロード下では非効率になり、パフォーマンスの低下や過剰なコストが発生する。
本稿では,イベント駆動アーキテクチャと確率的モデリングにより,サーバレス性能を最適化する適応エンジニアリングフレームワークを提案する。
本稿では、アイドル期間を動的に調整し、スロットサバイバル予測に基づくインテリジェントな要求待ち戦略を用いるデュアルストラテジー機構を提案する。
スライディングウィンドウアグリゲーションと非同期処理を活用することで,本システムは資源ライフサイクルを積極的に管理する。
実験結果から, マルチクラウド環境におけるベースライン手法と比較して, コールドスタートを51.2%削減し, コスト効率を約2倍向上することがわかった。
関連論文リスト
- Proactive SFC Provisioning with Forecast-Driven DRL in Data Centers [5.886782001771578]
Service Function Chaining(SFC)は、さまざまなサービス要件を満たすために、Virtual Network Functions(VNF)の効率的な配置を必要とする。
本稿では,予測知能とSFCプロビジョニングを組み合わせたハイブリッドな予測駆動型深層強化学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-28T04:00:13Z) - AI-Driven Cloud Resource Optimization for Multi-Cluster Environments [0.0]
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。
論文 参考訳（メタデータ） (2025-12-31T15:15:46Z) - Dynamic Speculative Agent Planning [57.630218933994534]
大規模な言語モデルベースのエージェントは、遅延の禁止と推論コストのために、重要なデプロイメント課題に直面している。
本稿では,オンライン強化学習フレームワークである動的投機計画(Dynamic Speculative Planning, DSP)を紹介する。
2つの標準エージェントベンチマークの実験では、DSPは高速加速法に匹敵する効率を達成し、総コストを30%削減し、不要コストを60%まで削減している。
論文 参考訳（メタデータ） (2025-09-02T03:34:36Z) - CSGO: Generalized Optimization for Cold Start in Wireless Collaborative Edge LLM Systems [62.24576366776727]
本稿では,全体の推論遅延を最小限に抑えるために,遅延を考慮したスケジューリングフレームワークを提案する。
提案手法は,ベースライン戦略と比較して,コールドスタート遅延を著しく低減することを示す。
論文 参考訳（メタデータ） (2025-08-15T07:49:22Z) - 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) - Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。
本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。
次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
論文 参考訳（メタデータ） (2025-02-21T14:36:12Z) - EdgeMLBalancer: A Self-Adaptive Approach for Dynamic Model Switching on Resource-Constrained Edge Devices [0.0]
エッジデバイス上の機械学習は、リソース制約のある環境でリアルタイムAIアプリケーションを可能にする。
計算資源を管理する既存のソリューションは、しばしば正確さやエネルギー効率に焦点を絞っている。
エッジデバイス上でのCPU利用とリソース管理を最適化する自己適応型アプローチを提案する。
論文 参考訳（メタデータ） (2025-02-10T14:11:29Z) - Secure Resource Allocation via Constrained Deep Reinforcement Learning [49.15061461220109]
リソース割り当て、タスクオフロード、セキュリティ、パフォーマンスのバランスをとるフレームワークであるSARMTOを紹介します。
SARMTOは5つのベースラインアプローチを一貫して上回り、最大40%のシステムコスト削減を実現している。
これらの拡張は、複雑な分散コンピューティング環境におけるリソース管理に革命をもたらすSARMTOの可能性を強調している。
論文 参考訳（メタデータ） (2025-01-20T15:52:43Z) - 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)
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。