論文の概要: Caliper-in-the-Loop: Black-Box Optimization for Hyperledger Fabric Performance Tuning

• arxiv url: http://arxiv.org/abs/2605.02690v1
• Date: Mon, 04 May 2026 15:04:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.352768
• Title: Caliper-in-the-Loop: Black-Box Optimization for Hyperledger Fabric Performance Tuning
• Title（参考訳）: Caliper-in-the-Loop: Hyperledger Fabricパフォーマンスチューニングのためのブラックボックス最適化
• Authors: Yash Madhwal, Arseny Bolotnikov, Mark Prikhno, Irina Lebedeva, Ivan Laishevskiy, Vladimir Gorgadze, Artem Barger, Yury Yanovich,
• Abstract要約: Hyperledger Fabricのパフォーマンスは多くの相互作用する設定パラメータに依存しており、手動チューニングが難しい。 ベンチマークをノイズの多いブラックボックス最適化問題として扱うことで,自動スループットチューニングについて検討する。 クラウドテストベッドにおける16のBO+DR変種とランダム検索ベースラインを評価した。
• 参考スコア（独自算出の注目度）: 0.13116254456320467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Hyperledger Fabric performance depends on many interacting configuration parameters, making manual tuning difficult. We study automated throughput tuning by treating benchmarking as a noisy black-box optimization problem and applying Bayesian optimization (BO) with dimensionality reduction (DR). We implement an end-to-end Caliper-in-the-loop pipeline that deploys candidate configurations, benchmarks them, and updates the optimizer from observed throughput. The search space, derived from Fabric configuration files, has 317 dimensions. In a cloud testbed, we evaluate 16 BO+DR variants and a random-search baseline. The best method, DYCORS-PCA, achieves a 12% TPS improvement relative to the first evaluated configuration, while MPI-REMBO achieves 9%. These results suggest that BO with DR is a practical approach for high-dimensional Hyperledger Fabric tuning, while also highlighting the role of measurement noise in interpreting gains.
• Abstract（参考訳）: Hyperledger Fabricのパフォーマンスは多くの相互作用する設定パラメータに依存しており、手動チューニングが難しい。 ベンチマークをノイズの多いブラックボックス最適化問題として扱い,次元還元(DR)を用いたベイズ最適化(BO)を適用し,自動スループットチューニングについて検討した。 エンドツーエンドのCaliper-in-the-loopパイプラインを実装し、候補設定をデプロイし、ベンチマークを行い、監視されたスループットからオプティマイザを更新します。 Fabricの設定ファイルから派生した検索スペースは317次元である。 クラウドテストベッドでは、16のBO+DR変種とランダム検索ベースラインを評価した。 最も優れた方法であるDYCORS-PCAは、最初の評価構成と比較して12%のTPS改善を実現し、MPI-REMBOは9%である。 これらの結果から,DRを用いたBOは高次元Hyperledger Fabricチューニングの実践的アプローチであり,利得の解釈における測定ノイズの役割を強調した。

関連論文リスト

• BOOST: Bayesian Optimization with Optimal Kernel and Acquisition Function Selection Technique [1.0499611180329804]
  カーネル獲得ペアの選択を自動化する新しいフレームワークであるBOOSTを提案する。 BOOSTは、様々なカーネル獲得ペアのパフォーマンスを予測し、高価な評価にコミットする前に最も有望なペアを特定する。
  論文  参考訳（メタデータ） (2025-08-04T12:08:12Z)
• Asynchronous Batch Bayesian Optimization with Pipelining Evaluations for Experimental Resource$\unicode{x2013}$constrained Conditions [0.0]
  PipeBOは実験の様々なプロセスに重なり合うことで実験の並列化を実現するように設計された。 最適化の平均処理時間は2つのプロセスからなる実験で約56%、24の関数のうち20のプロセスでさらに少ない。
  論文  参考訳（メタデータ） (2024-12-05T18:06:09Z)
• Poisson Process for Bayesian Optimization [126.51200593377739]
  本稿では、Poissonプロセスに基づくランキングベースの代理モデルを提案し、Poisson Process Bayesian Optimization(PoPBO)と呼ばれる効率的なBOフレームワークを提案する。 従来のGP-BO法と比較すると,PoPBOはコストが低く,騒音に対する堅牢性も良好であり,十分な実験により検証できる。
  論文  参考訳（メタデータ） (2024-02-05T02:54:50Z)
• Online Continuous Hyperparameter Optimization for Generalized Linear Contextual Bandits [55.03293214439741]
  文脈的包帯では、エージェントは過去の経験に基づいた時間依存アクションセットから順次アクションを行う。 そこで本稿では,文脈的包帯のためのオンライン連続型ハイパーパラメータチューニングフレームワークを提案する。 理論上はサブ線形の後悔を達成でき、合成データと実データの両方において既存のすべての手法よりも一貫して優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2023-02-18T23:31:20Z)
• AUTOMATA: Gradient Based Data Subset Selection for Compute-Efficient Hyper-parameter Tuning [72.54359545547904]
  ハイパーパラメータチューニングのための勾配に基づくサブセット選択フレームワークを提案する。 ハイパーパラメータチューニングに勾配ベースのデータサブセットを用いることで、3$times$-30$times$のターンアラウンド時間とスピードアップが大幅に向上することを示す。
  論文  参考訳（メタデータ） (2022-03-15T19:25:01Z)
• Pre-trained Gaussian Processes for Bayesian Optimization [24.730678780782647]
  本稿では,HyperBO という事前学習型 BO フレームワークを提案する。 GPが既知の「地中真実」を仮定することなく, 後続の予測と, ほぼゼロの後悔をHyperBOに示す。
  論文  参考訳（メタデータ） (2021-09-16T20:46:26Z)
• Automatic Tuning of Tensorflow's CPU Backend using Gradient-Free Optimization Algorithms [0.6543507682026964]
  Deep Learning (DL) アプリケーションは、ジーンやPyTorchといったDLライブラリやフレームワークを使って構築されている。 これらのフレームワークは複雑なパラメータを持ち、優れたトレーニングを得るために調整する。 そこで,本論文では,トレーニングと推論性能を改善するために,DLフレームワークのパラメータをチューニングする問題をブラックボックス問題として扱う。
  論文  参考訳（メタデータ） (2021-09-13T19:10:23Z)

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。