論文の概要: Anycast Performance in Context

• arxiv url: http://arxiv.org/abs/2606.04298v1
• Date: Tue, 02 Jun 2026 23:59:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-04 20:44:18.432642
• Title: Anycast Performance in Context
• Title（参考訳）: コンテキストにおけるAnycastのパフォーマンス
• Authors: Eric Liang,
• Abstract要約: IP anycastは、サービスが多くの物理サイトから1つのアドレスを宣伝し、BGPは各クライアントをサイトへマップする。 本稿では、ルートDNSとCDNの2つの設定で、任意のキャストレイテンシを比較する。
• 参考スコア（独自算出の注目度）: 0.8557392136621891
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: IP anycast lets a service advertise one address from many physical sites, leaving BGP to map each client to a site. It is central to the DNS root server system, public resolvers, and some content delivery networks, yet the same routing mechanism has very different consequences across applications. This paper compares anycast latency in two settings: root DNS, where recursive caching amortizes root-server delay over many users and long time-to-live values, and CDNs, where each additional round trip can directly affect page-load, video-start, or API latency. The synthesis finds that root DNS anycast can exhibit substantial path inflation while still producing limited user-visible delay, whereas CDN anycast requires active engineering of peering, route policy, catchment scope, and measurement feedback to keep inflation small. The paper contributes a comparative latency model, a reproducible measurement design, and an optimization framework that separates resilience-driven anycast objectives from latency-driven objectives. The central conclusion is practical: operators should not optimize root DNS and CDN anycast with the same objective function. For root DNS, robustness, reachability, and cache behavior dominate; for CDN services, tail latency, catchment correctness, and policy control dominate.
• Abstract（参考訳）: IP anycastは、サービスが多くの物理サイトから1つのアドレスを宣伝し、BGPは各クライアントをサイトへマップする。 DNSルートサーバシステム、パブリックリゾルバ、いくつかのコンテンツ配信ネットワークの中心であるが、同じルーティングメカニズムはアプリケーション間で非常に異なる結果をもたらす。 本稿では,ルートDNS,再帰キャッシングが多くのユーザに対するルートサーバ遅延を補正する,CDN,各ラウンドトリップがページロード,ビデオスタート,API遅延に直接影響を及ぼす,という2つの設定で,任意のキャストレイテンシを比較した。 この合成により、ルートDNS放送は、まだユーザの視認性に制限のある遅延を発生させながら、かなりの経路インフレーションを生じさせるが、CDN放送は、インフレーションを小さく抑えるために、ピアリング、ルートポリシー、キャッチメントスコープ、測定フィードバックのアクティブエンジニアリングを必要とする。 本稿では、レイテンシモデルの比較、再現可能な測定設計、およびレジリエンス駆動の任意のキャスト目標と遅延駆動の目標を分離する最適化フレームワークを提案する。 オペレータは同じ目的関数でルートDNSとCDNの任意のキャストを最適化するべきではない。 ルートDNSでは、堅牢性、到達性、キャッシュ動作が支配的であり、CDNサービスでは、テールレイテンシ、キャッチメントの正確性、ポリシーコントロールが支配的である。

関連論文リスト

• MTDNS: Moving Target Defense for Resilient DNS Infrastructure [2.8721132391618256]
  DNS (Domain Name System) はインターネット上でもっとも重要なコンポーネントの1つである。 研究者は、DNSに対する攻撃を検出し、防御する方法を常に開発してきた。 ほとんどのソリューションは、防御アプローチのためにパケットを破棄し、正当なパケットをドロップする可能性がある。 我々は移動目標防衛技術を用いたMTDベースのレジリエントなMTDNSを提案する。
  論文  参考訳（メタデータ） (2024-10-03T06:47:16Z)
• PLM-Net: Perception Latency Mitigation Network for Vision-Based Lateral Control of Autonomous Vehicles [0.0]
  知覚緩和ネットワーク(PLM-Net)は、視覚に基づく自律走行(AV)横方向制御システムにおいて、知覚遅延に対処する新しいディープラーニングアプローチである。 PLM-Netはベースモデル(BM)と時間行動予測モデル(TAPM)で構成される。
  論文  参考訳（メタデータ） (2024-07-23T17:41:13Z)
• Latency-aware Unified Dynamic Networks for Efficient Image Recognition [72.8951331472913]
  LAUDNetは動的ネットワークの理論的および実用的な効率ギャップを橋渡しするフレームワークである。 3つの主要な動的パラダイム - 適応型計算、動的層スキップ、動的チャネルスキップ - を統合している。 これにより、V100,3090やTX2 GPUのようなプラットフォーム上で、ResNetのようなモデルの遅延を50%以上削減できる。
  論文  参考訳（メタデータ） (2023-08-30T10:57:41Z)
• Improving the Performance of DNN-based Software Services using Automated Layer Caching [3.804240190982695]
  ディープニューラルネットワーク(DNN)は、Webベースのサービスを含む多くのアプリケーションドメインにおいて、不可欠なコンポーネントとなっている。 このような大規模モデルの計算複雑性は依然として比較的重要であり、低推論遅延を妨げている。 本稿では,DNNベースのサービスの性能向上のためのエンドツーエンド自動ソリューションを提案する。
  論文  参考訳（メタデータ） (2022-09-18T18:21:20Z)
• Implementing Reinforcement Learning Datacenter Congestion Control in NVIDIA NICs [64.26714148634228]
  渋滞制御 (CC) アルゴリズムの設計は非常に困難になる。 現在、計算能力に制限があるため、ネットワークデバイスにAIモデルをデプロイすることはできない。 我々は,近年の強化学習CCアルゴリズムに基づく計算軽度解を構築した。
  論文  参考訳（メタデータ） (2022-07-05T20:42:24Z)
• Pi-NAS: Improving Neural Architecture Search by Reducing Supernet Training Consistency Shift [128.32670289503025]
  最近提案されたニューラルアーキテクチャサーチ (NAS) 手法は,スーパーネット上で数十億のアーキテクチャを共存させ,その潜在的な精度を推定する。 アーキテクチャの予測精度と実際の能力のランキング相関は誤りであり、既存のNAS手法のジレンマを引き起こす。 このランク付け相関問題は,特徴シフトやパラメータシフトを含む,スーパーネットトレーニングの整合性シフトに起因している。 この2つのシフトを、Pi-NASと呼ばれる非自明なスーパーネットPiモデルを用いて同時に解決する。
  論文  参考訳（メタデータ） (2021-08-22T09:08:48Z)
• LC-NAS: Latency Constrained Neural Architecture Search for Point Cloud Networks [73.78551758828294]
  LC-NASは、最小計算コストでポイントクラウド分類のための最先端アーキテクチャを見つけることができる。 検索したアーキテクチャが、適度に低い精度で、望ましいレイテンシを実現する方法を示します。
  論文  参考訳（メタデータ） (2020-08-24T10:30:21Z)
• CacheNet: A Model Caching Framework for Deep Learning Inference on the Edge [3.398008512297358]
  CacheNetは、マシン認識アプリケーションのためのモデルキャッシングフレームワークである。 エンドデバイス上の低複雑さモデルと、エッジまたはクラウドサーバ上の高複雑性(あるいはフル)モデルをキャッシュする。 エンドデバイスまたはエッジサーバ単独で推論タスクを実行するベースラインアプローチよりも58-217%高速である。
  論文  参考訳（メタデータ） (2020-07-03T16:32:14Z)

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。