論文の概要: Query Cost Model Calibration in Confidential Virtual Machines

• arxiv url: http://arxiv.org/abs/2606.26385v1
• Date: Wed, 24 Jun 2026 21:11:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-26 18:46:32.08393
• Title: Query Cost Model Calibration in Confidential Virtual Machines
• Title（参考訳）: 秘密仮想マシンにおけるクエリコストモデル校正
• Abstract要約: このようなCVMにおける解析的クエリは大きなオーバーヘッドに悩まされることが多く、データベースの処理が最適化するのではなく、これらのスローダウンで止まったことが示される。 この問題に対処するために,軽量なCVM対応コストキャリブレーションモデルを提案する。 実験によると、キャリブレーションによって、KVM/CVMのパフォーマンスギャップが大幅に狭まり、最大48%のパフォーマンスが回復し、一部のワークロードでKVMベースラインを上回ります。
• 参考スコア（独自算出の注目度）: 9.420554351854593
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: With the growing adoption of Confidential Computing, running databases in confidential virtual machines (CVMs) such as AMD SEV-SNP has become an attractive way to protect sensitive cloud data with minimal changes to legacy DBMSs. However, analytical queries in such CVMs often suffer substantial overhead, and prior database work has largely stopped at benchmarking these slowdowns rather than optimizing them. We show that this problem stems from a hardware-software mismatch: query optimizers still rely on KVM-oriented (non-encrypted VM) cost assumptions that no longer hold in CVMs. To address this, we propose a lightweight CVM-aware cost calibration. It models two dominant sources of optimizer-facing overhead: data movement and RMP-related translation using simple physical proxies already available to the optimizer. Experiments show that the calibration significantly narrows the KVM/CVM performance gap, recovering up to 48 percent performance and even outperforming the KVM baseline on some workloads.
• Abstract（参考訳）: Confidential Computingの普及に伴い、AMD SEV-SNPのような機密仮想マシン(CVM)でデータベースを実行することは、レガシーDBMSに最小限の変更を加えることで、機密性の高いクラウドデータを保護する魅力的な方法となっている。 しかし、そのようなCVMの分析クエリは、しばしばかなりのオーバーヘッドに悩まされ、データベースの作業は、最適化するのではなく、これらのスローダウンをベンチマークするのをやめた。 クエリオプティマイザは、もはやCVMにはないKVM指向(暗号化されていないVM)のコスト仮定に依存しています。 そこで本研究では,軽量なCVM対応コストキャリブレーションを提案する。 それは、データ移動とRMP関連翻訳という、オプティマイザにすでに利用可能な単純な物理プロキシの2つの主要なオーバヘッドをモデル化する。 実験によると、キャリブレーションによって、KVM/CVMのパフォーマンスギャップが大幅に狭まり、最大48%のパフォーマンスが回復し、一部のワークロードでKVMベースラインを上回ります。

関連論文リスト

• DPC-VQA: Decoupling Quality Perception and Residual Calibration for Video Quality Assessment [49.02765249211074]
  マルチモーダル大言語モデル(MLLM)はビデオ品質評価(VQA)タスクにおいて有望な性能を示した。 大規模な再トレーニングとコストのかかる平均評価スコア(MOS)アノテーションのため、新たなシナリオへの適応は依然としてコストがかかる。 ビデオ品質評価のためのデカップリング認識・校正フレームワークDPC-VQAを提案する。
  論文  参考訳（メタデータ） (2026-04-14T14:40:23Z)
• Tiny Inference-Time Scaling with Latent Verifiers [56.696619768584675]
  Verifier on Hidden States (VHS) は、Diffusion Transformer (DiT) の中間的な隠れ表現で動作する。 VHSは、画素空間に復号することなくジェネレータ機能を解析することにより、候補毎の検証コストを削減できる。 VHSは同じ推論時予算でGenEvalを+2.7%改善する。
  論文  参考訳（メタデータ） (2026-03-23T19:00:02Z)
• Empirical Recipes for Efficient and Compact Vision-Language Models [54.92440500651415]
  リソース制約のある設定における視覚言語モデル(VLM)は低レイテンシと高スループットを必要とする。 実験的なエンドツーエンドの効率分析と系統的なプロファイル推論を行い、主要なボトルネックを特定します。 精度を保ちながらレイテンシを大幅に低減する,コンパクトなVLMに適した最適化レシピを開発した。
  論文  参考訳（メタデータ） (2026-03-17T17:17:40Z)
• Towards VM Rescheduling Optimization Through Deep Reinforcement Learning [9.4293010682986]
  我々は,VM再スケジュールのための強化学習システムVM2RLを開発した。 その結果,VM2RLは最適解に匹敵する性能を達成できるが,実行時間は数秒であることがわかった。
  論文  参考訳（メタデータ） (2025-05-23T00:30:53Z)
• Enhancing Robustness and Efficiency of Least Square Twin SVM via Granular Computing [0.2999888908665658]
  機械学習の分野では、最小二乗サポートベクターマシン(LSTSVM)が最先端モデルの1つとして際立っている。 LSTSVMはノイズやインバージョンに対する感受性に悩まされており、リサンプリングの原則と不安定さを見落としている。 そこで我々は,従来のデータポイントの代わりに粒状球を用いて学習した,頑健な粒状球 LSTSVM (GBLSTSVM) を提案する。
  論文  参考訳（メタデータ） (2024-10-22T18:13:01Z)
• CORM: Cache Optimization with Recent Message for Large Language Model Inference [57.109354287786154]
  メモリフットプリントを大幅に最小化するKVキャッシュを最適化する革新的な手法を提案する。 KVキャッシュ消去ポリシーであるCORMは、モデル微調整を必要とせずに、推論に必要なキーと値のペアを動的に保持する。 検証の結果,CORMはKVキャッシュの推論メモリ使用量を最大70%削減し,LongBenchの6つのタスクで性能劣化を無視できることがわかった。
  論文  参考訳（メタデータ） (2024-04-24T16:11:54Z)
• A Safe Screening Rule with Bi-level Optimization of $\nu$ Support Vector Machine [15.096652880354199]
  本稿では,$nu$-SVM に対する二レベル最適化による安全なスクリーニングルールを提案する。 我々のSRBO-$nu$-SVMは、Karush-Kuhn-Tucker条件を統合することによって厳密に推論される。 また,計算速度を改善するために,効率的な二重座標降下法 (DCDM) も開発している。
  論文  参考訳（メタデータ） (2024-03-04T06:55:57Z)
• SpotServe: Serving Generative Large Language Models on Preemptible Instances [64.18638174004151]
  SpotServeは、プリエンプティブルインスタンスにシステムを提供する最初の分散大規模言語モデルである。 SpotServeは、既存のLLMサービスシステムと比較して、P99テールのレイテンシを2.4～9.1倍削減できることを示す。 また、SpotServeはプリエンプティブインスタンスの価格優位性を利用して、オンデマンドインスタンスのみを使用する場合と比較して54%の金銭的コストを節約できることも示しています。
  論文  参考訳（メタデータ） (2023-11-27T06:31:17Z)
• Combination of Convolutional Neural Network and Gated Recurrent Unit for Energy Aware Resource Allocation [0.0]
  クラウドコンピューティングサービスモデルは、急速に成長し、非効率なリソース使用は、クラウドデータセンターにおける高エネルギー消費の最大の原因の1つです。 仮想マシン(VM)のライブマイグレーションと,少数の物理マシン(PM)への統合により,エネルギー消費削減を目的としたクラウドデータセンターの資源配分を行った。 この問題を解決するために、ユーザリクエストのパターンに従って、レイテンシに対するセンシティブなクラスや非センシティブなクラスに分類することが可能で、その後、マイグレーション用に適切なVMを選択することができる。
  論文  参考訳（メタデータ） (2021-06-23T05:57:51Z)
• AML-SVM: Adaptive Multilevel Learning with Support Vector Machines [0.0]
  本稿では非線形SVMのための適応型多段階学習フレームワークを提案する。 改良プロセス全体の分類品質を改善し、マルチスレッド並列処理を活用して性能を向上する。
  論文  参考訳（メタデータ） (2020-11-05T00:17:02Z)
• On Coresets for Support Vector Machines [61.928187390362176]
  coresetは、元のデータポイントの小さな、代表的なサブセットである。 我々は,本アルゴリズムを用いて,既製のSVMソルバをストリーミング,分散,動的データ設定に適用可能であることを示す。
  論文  参考訳（メタデータ） (2020-02-15T23:25:12Z)

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。