論文の概要: NimbusGuard: A Novel Framework for Proactive Kubernetes Autoscaling Using Deep Q-Networks
- arxiv url: http://arxiv.org/abs/2604.11017v1
- Date: Mon, 13 Apr 2026 05:32:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-14 20:13:16.347286
- Title: NimbusGuard: A Novel Framework for Proactive Kubernetes Autoscaling Using Deep Q-Networks
- Title（参考訳）: NimbusGuard: ディープQ-Networksを使用したプロアクティブなKubernetes自動スケーリングのための新しいフレームワーク
- Authors: Chamath Wanigasooriya, Indrajith Ekanayake,
- Abstract要約: クラウドネイティブアーキテクチャは、クラウド環境を最大限に活用するための、スケーラブルなマイクロサービスアプリケーションの構築と実行に関するものです。
我々は、深層強化学習エージェントを利用したオープンソースのオートスケーリングシステムであるNimbusGuardを提案し、プロアクティブなオートスケーリングを提供する。
NimbusGuardをHorizontal Pod Autoscalerやイベント駆動オートスケーラKEDAといった内蔵のスケーリングコントローラと比較して評価を行った。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cloud native architecture is about building and running scalable microservice applications to take full advantage of the cloud environments. Managed Kubernetes is the powerhouse orchestrating cloud native applications with elastic scaling. However, traditional Kubernetes autoscalers are reactive, meaning the scaling controllers adjust resources only after they detect demand within the cluster and do not incorporate any predictive measures. This can lead to either over-provisioning and increased costs or under-provisioning and performance degradation. We propose NimbusGuard, an open-source, Kubernetes-based autoscaling system that leverages a deep reinforcement learning agent to provide proactive autoscaling. The agents perception is augmented by a Long Short-Term Memory model that forecasts future workload patterns. The evaluations were conducted by comparing NimbusGuard against the built-in scaling controllers, such as Horizontal Pod Autoscaler, and the event-driven autoscaler KEDA. The experimental results demonstrate how NimbusGuard's proactive framework translates into superior performance and cost efficiency compared to existing reactive methods.
- Abstract（参考訳）: クラウドネイティブアーキテクチャは、クラウド環境を最大限に活用するための、スケーラブルなマイクロサービスアプリケーションの構築と実行に関するものです。
Managed Kubernetesは、クラウドネイティブアプリケーションをエラスティックスケーリングでオーケストレーションするパワーハウスだ。
しかしながら、従来のKubernetesオートスケーラはリアクティブである。つまり、スケーリングコントローラは、クラスタ内の需要を検出した後にのみリソースを調整し、予測措置を一切含まない。
これは過剰な計画とコストの増加、あるいは過度の計画とパフォーマンスの低下につながる可能性がある。
我々は、深層強化学習エージェントを活用したオープンソースのKubernetesベースのオートスケーリングシステムであるNimbusGuardを提案し、積極的なオートスケーリングを提供する。
エージェントの認識は、将来のワークロードパターンを予測するLong Short-Term Memoryモデルによって強化される。
NimbusGuardをHorizontal Pod Autoscalerやイベント駆動オートスケーラKEDAといった内蔵のスケーリングコントローラと比較して評価を行った。
実験結果は、NimbusGuardのプロアクティブフレームワークが、既存のリアクティブメソッドと比較してパフォーマンスとコスト効率に優れていることを示す。
関連論文リスト
- SPARK: Secure Predictive Autoscaling for Robust Kubernetes [0.0]
HPAのような従来のオートスケーラは、しばしばトラフィックスパイクに素早く反応しない。
トラヒック対応自動スケーリングアプローチを提供するオープンソースツールチェーンを提案する。
論文 参考訳（メタデータ） (2026-03-27T05:23:10Z) - MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling [0.0]
我々は,自律的クラウドリソース管理の課題に対処する階層型マルチエージェントシステムMAS-H2を提案する。
私たちは、ネイティブのHorizontal Pod Autoscaler(HPA)とCluster Autoscaler(CA)とをベンチマークするために、Google Engine(GKE)のOperatorとしてMAS-H2プロトタイプを構築し、テストしました。
その結果、MAS-H2システムは予測可能なHeartbeatワークロードの40%以下でアプリケーションCPU使用率を維持していることがわかった。
論文 参考訳（メタデータ） (2026-03-08T12:39:14Z) - Cloud-OpsBench: A Reproducible Benchmark for Agentic Root Cause Analysis in Cloud Systems [51.2882705779387]
Cloud-OpsBenchは、State Snapshot Paradigmを使用して、クラウドの決定論的デジタルツインを構築する大規模なベンチマークである。
フルスタックにまたがる40の根本原因タイプに452の障害ケースがある。
論文 参考訳（メタデータ） (2026-02-28T05:04:42Z) - An SLO Driven and Cost-Aware Autoscaling Framework for Kubernetes [0.0]
本稿では、AIOps原則を用いて自動スケーリングをどのように拡張し、サービスレベルオブジェクト違反とコスト制約を共同で満たすかを検討する。
本稿では,SLO認識とコスト意識制御と軽量需要予測を統合した安全かつ説明可能な多信号自動スケーリングフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-29T12:20:46Z) - Ksurf-Drone: Attention Kalman Filter for Contextual Bandit Optimization in Cloud Resource Allocation [6.651912879528297]
Ksurfは、高度に可変なクラウドデータに理想的な、最先端の分散最小化推定手法である。
この研究は、高度に可変なワークロードを含む見積もりベースのリソースオーケストレーションタスクにおいて、Ksurfのパフォーマンスを評価する。
Ksurfは、p95で41%、p99で47%のレイテンシ分散を実現し、CPU使用量の4%の削減とマスターノードメモリ使用量の7MBの削減を実現している。
論文 参考訳（メタデータ） (2025-11-12T22:00:14Z) - Centaur: Robust End-to-End Autonomous Driving with Test-Time Training [84.78837437133234]
我々は,手作業によるルールやコスト関数に頼ることなく,テストタイムトレーニングを通じてプランナーの行動を更新するCentaurを提案する。
本稿では,クラスタ・エントロピー(Cluster Entropy,クラスタ・エントロピー)と呼ばれる新しい不確実性尺度を開発した。
論文 参考訳（メタデータ） (2025-03-14T17:59:41Z) - Instance-aware Dynamic Prompt Tuning for Pre-trained Point Cloud Models [64.49254199311137]
本稿では,事前学習点クラウドモデルのための新しいインスタンス対応動的プロンプトチューニング(IDPT)戦略を提案する。
IDPTの本質は、各ポイントクラウドインスタンスのセマンティックな事前特徴を知覚する動的プロンプト生成モジュールを開発することである。
実験では、IDPTはトレーニング可能なパラメータのわずか7%で、ほとんどのタスクにおいて完全な微調整よりも優れています。
論文 参考訳（メタデータ） (2023-04-14T16:03:09Z) - Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。
対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
論文 参考訳（メタデータ） (2022-07-07T03:23:04Z) - Predictive Auto-scaling with OpenStack Monasca [8.631793985356286]
近日中にシステムが進化すると予想される状況に基づいて,クラウドサービスを自動スケーリングするアーキテクチャを提案する。
私たちは、Monascaが提供するモニタリング機能に依存し、拡張するオープンソースコンポーネントとして、私たちのアプローチをプロトタイプにしました。
論文 参考訳（メタデータ） (2021-11-03T11:02:08Z) - Deep Parametric Continuous Convolutional Neural Networks [92.87547731907176]
Parametric Continuous Convolutionは、非グリッド構造化データ上で動作する、新たな学習可能な演算子である。
室内および屋外シーンの点雲セグメンテーションにおける最先端技術よりも顕著な改善が見られた。
論文 参考訳（メタデータ） (2021-01-17T18:28:23Z) - A Privacy-Preserving-Oriented DNN Pruning and Mobile Acceleration
Framework [56.57225686288006]
モバイルエッジデバイスの限られたストレージとコンピューティング能力を満たすために、ディープニューラルネットワーク(DNN)の軽量プルーニングが提案されている。
従来のプルーニング手法は主に、ユーザデータのプライバシを考慮せずに、モデルのサイズを減らしたり、パフォーマンスを向上させることに重点を置いていた。
プライベートトレーニングデータセットを必要としないプライバシ保護指向のプルーニングおよびモバイルアクセラレーションフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-13T23:52:03Z)
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。