論文の概要: CloudCons: A Comprehensive End-to-End Benchmark for Cloud Resource Consolidation

• arxiv url: http://arxiv.org/abs/2606.13513v1
• Date: Thu, 11 Jun 2026 16:00:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.899639
• Title: CloudCons: A Comprehensive End-to-End Benchmark for Cloud Resource Consolidation
• Title（参考訳）: CloudCons: クラウドリソース統合のための総合的なエンドツーエンドベンチマーク
• Authors: Xiaobin Zhang, Lefei Shen, Mouxiang Chen, Zhuo Li, Hongkai Li, Han Fu, Jianling Sun, Xiaoxue Ren, Chenghao Liu,
• Abstract要約: クラウドリソース統合のコンテキスト内で予測モデルを評価するために設計されたベンチマークであるCloudConsを提案する。 私たちはHuawei Cloud、Microsoft、Azure、Google Borgのさまざまなワークロードをカバーする高品質なデータセットを構築しています。 基礎モデルはより優れたゼロショット予測精度を示すが、この利点は本質的にはより良い決定ユーティリティに変換されない。
• 参考スコア（独自算出の注目度）: 33.524558997797136
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Driven by conservative over-provisioning to guarantee service reliability, resource utilization in cloud data centers remains at low levels. To mitigate this, the forecast-then-optimize paradigm has emerged to optimize consolidation by anticipating future demands. While emerging time series foundation models promise to enhance this paradigm through zero-shot generalization, existing benchmarks focus solely on prediction error metrics. The actual decision utility of these advanced models remains unverified, rendering their practical value for downstream tasks uncertain. To bridge this gap, we propose CloudCons, a comprehensive end-to-end benchmark designed to evaluate forecasting models within the specific context of cloud resource consolidation. We build high-quality datasets that cover diverse workloads from Huawei Cloud, Microsoft Azure, and Google Borg, capturing distinct service characteristics ranging from synchronized diurnal rhythms to stochastic, pulse-like bursts and high-frequency noise. We conduct an extensive evaluation of statistical, deep learning, and foundation models. Our experiments reveal a pivotal finding: while foundation models demonstrate superior zero-shot forecasting accuracy, this advantage does not inherently translate into better decision utility. Of practical significance, we systematically analyze how the selection of predictive quantiles acts as a critical lever. We provide actionable guidelines for calibrating these selections to balance the trade-off between resource efficiency and service reliability, offering vital insights for real-world deployment decisions.
• Abstract（参考訳）: サービスの信頼性を保証するため、保守的な過剰プロビジョニングによって駆動される、クラウドデータセンタでのリソース利用は、依然として低いレベルにあります。 これを軽減するため,予測最適化パラダイムが登場し,今後の需要を予測して統合を最適化している。 新たな時系列基盤モデルはゼロショットの一般化を通じてこのパラダイムを強化することを約束する一方で、既存のベンチマークは予測エラーメトリクスのみに焦点を当てている。 これらの高度なモデルの実際の決定ユーティリティは、まだ検証されていないままであり、下流タスクの実践的価値が不確実である。 このギャップを埋めるため,クラウドリソース統合の特定のコンテキスト内で予測モデルを評価するために設計された,総合的なエンドツーエンドベンチマークであるCloudConsを提案する。 私たちはHuawei Cloud、Microsoft Azure、Google Borgのさまざまなワークロードをカバーする高品質なデータセットを構築し、同期日リズムから確率的、パルスライクなバースト、高周波ノイズまで、さまざまなサービス特性をキャプチャします。 統計的、深層学習、基礎モデルの広範な評価を行う。 基礎モデルはより優れたゼロショット予測精度を示すが、この利点は本質的にはより良い決定ユーティリティに変換されない。 実用上重要なこととして,予測量子化の選択が重要なレバーとして機能するかを系統的に分析する。 リソース効率とサービスの信頼性のトレードオフをバランスさせるために、これらの選択を調整するための実行可能なガイドラインを提供します。

関連論文リスト

• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Adaptive Dual-Weighting Framework for Federated Learning via Out-of-Distribution Detection [53.45696787935487]
  Federated Learning (FL)は、大規模分散サービスノード間の協調的なモデルトレーニングを可能にする。 実世界のサービス指向デプロイメントでは、異種ユーザ、デバイス、アプリケーションシナリオによって生成されたデータは本質的にIIDではない。 FLoodは、オフ・オブ・ディストリビューション(OOD)検出にインスパイアされた新しいFLフレームワークである。
  論文  参考訳（メタデータ） (2026-02-01T05:54:59Z)
• QoSBERT: An Uncertainty-Aware Approach based on Pre-trained Language Models for Service Quality Prediction [4.711507071955676]
  我々は,事前訓練された言語モデルに基づいて,予測を意味的回帰タスクとして再構成する最初のフレームワークであるBERTを提案する。 我々はモンテカルロ・ドロップアウトに基づく不確実性推定モジュールを統合し、信頼性の高いリスク対応サービス品質予測を可能にする。 BERTは、応答時間予測では平均11.7%、RMSEでは6.7%、スループット予測では6.9%となっている。
  論文  参考訳（メタデータ） (2025-05-09T03:15:45Z)
• Decision-Focused Fine-Tuning of Time Series Foundation Models for Dispatchable Feeder Optimization [0.5808168734833972]
  我々は、時系列基礎モデルにおける決定中心の微調整を用いて、ディスパッチ可能なフィードア最適化問題に対するスケーラブルで効率的なソリューションを提供する。 少ない建築データに対するより堅牢な予測を得るために,モイライを最先端の基礎モデルとして用いている。 意思決定に焦点を絞ったモイライと最先端の古典的な予測に焦点をあてたモイライを比較すると、平均的な日費の9.45%の改善が観察できる。
  論文  参考訳（メタデータ） (2025-03-03T07:47:20Z)
• Context is Key: A Benchmark for Forecasting with Essential Textual Information [87.3175915185287]
  コンテキスト is Key" (CiK) は、数値データを多種多様なテキストコンテキストと組み合わせた予測ベンチマークである。 我々は,統計モデル,時系列基礎モデル,LLMに基づく予測モデルなど,さまざまなアプローチを評価する。 提案手法は,提案するベンチマークにおいて,他の試験手法よりも優れる簡易かつ効果的なLCMプロンプト法である。
  論文  参考訳（メタデータ） (2024-10-24T17:56:08Z)
• Share Secrets for Privacy: Confidential Forecasting with Vertical Federated Learning [5.584904689846748]
  主な課題は、トレーニングと推論の両方において、データのプライバシと、小さくノイズの多いデータセットへの過度な適合である。 VFL' (STV) を用いたシークレット共有時系列予測を提案する。 その結果,STVの予測精度は集中型アプローチに匹敵することがわかった。
  論文  参考訳（メタデータ） (2024-05-31T12:27:38Z)
• Streaming Motion Forecasting for Autonomous Driving [71.7468645504988]
  ストリーミングデータにおける将来の軌跡を問うベンチマークを導入し,これを「ストリーミング予測」と呼ぶ。 我々のベンチマークは本質的に、スナップショットベースのベンチマークでは見過ごされていない安全上の問題であるエージェントの消失と再出現を捉えている。 我々は,任意のスナップショットベースの予測器をストリーミング予測器に適応させることのできる,"Predictive Streamer"と呼ばれるプラグアンドプレイメタアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-10-02T17:13:16Z)
• Forecasting Workload in Cloud Computing: Towards Uncertainty-Aware Predictions and Transfer Learning [1.5749416770494704]
  予測の不確かさをモデル化することは、性能に肯定的な影響を及ぼすことを示す。 モデルが異なるドメイン間での伝達学習能力に有益かどうかを検討する。
  論文  参考訳（メタデータ） (2023-02-24T14:51:30Z)
• Trust-Based Cloud Machine Learning Model Selection For Industrial IoT and Smart City Services [5.333802479607541]
  クラウドサービスプロバイダがリソース制約のあるデバイスからビッグデータを収集し、機械学習予測モデルを構築するパラダイムを考察する。 提案手法は,MLモデルの信頼度を最大化する知的時間再構成を含む。 その結果,選択したモデルの信頼度は,ILPを用いた結果に比べて0.7%から2.53%低かった。
  論文  参考訳（メタデータ） (2020-08-11T23:58:03Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。