論文の概要: CRAWO: Custom Resources for Adaptive Workload Orchestration
- arxiv url: http://arxiv.org/abs/2607.20490v1
- Date: Mon, 08 Jun 2026 15:45:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.199475
- Title: CRAWO: Custom Resources for Adaptive Workload Orchestration
- Title（参考訳）: CRAWO: 適応的なワークロードオーケストレーションのためのカスタムリソース
- Abstract要約: 本稿では,分散エッジ環境におけるAIパイプラインのコーディネートのためのアーキテクチャフレームワークであるCRAWOを紹介する。
このフレームワークには、ハードウェア対応アロケータと、適応的なワークロード配置を可能にするプラグイン可能なマルチクレータ決定層が組み込まれている。
- 参考スコア（独自算出の注目度）: 0.08910173568215411
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Edge Intelligence has emerged as a key paradigm for enabling real-time applications in smart cities by shifting computation from centralized cloud data centers to the network edge, thereby reducing latency and bandwidth consumption. However, deploying Artificial Intelligence (AI) pipelines across heterogeneous edge infrastructures remains challenging due to the wide range of device capabilities, from low-power microcontrollers to accelerator-equipped systems. Existing edge orchestration platforms primarily focus on deployment automation and infrastructure management, but these approaches are often inefficient and limit the ability to adaptively allocate resources under dynamic conditions. To tackle these issues, this paper introduces CRAWO (Custom Resources for Adaptive Workload Orchestration), an architectural framework for coordinating AI pipelines across distributed edge environments. CRAWO follows a control-loop-based model that separates allocation intelligence from execution by managing placement decisions, state management, and inter-stage data flows while instantiating services on edge nodes. The framework incorporates a hardware-aware allocator with a pluggable multi-criteria decision layer that leverages real-time infrastructure metrics to enable adaptive workload placement. The reference implementation adopts a microservices architecture deployed on a lightweight Kubernetes distribution (K3s), using Custom Resource Definitions (CRDs) for domain modeling and a dedicated operator for state reconciliation. Evaluation in a vehicle surveillance scenario using license plate recognition demonstrates improved workload distribution and reduced reliance on centralized cloud processing in latency-sensitive environments.
- Abstract（参考訳）: エッジインテリジェンス(Edge Intelligence)は、中央集権的なクラウドデータセンタからネットワークエッジへ計算をシフトすることで、スマートシティにおけるリアルタイムアプリケーションを実現するための重要なパラダイムとして登場した。
しかし、低消費電力のマイクロコントローラからアクセラレーター搭載システムまで、幅広いデバイス能力のために、異種エッジインフラストラクチャに人工知能(AI)パイプラインを配置することは依然として困難である。
既存のエッジオーケストレーションプラットフォームは主にデプロイメントの自動化とインフラストラクチャ管理に重点を置いているが、これらのアプローチは多くの場合非効率であり、動的条件下でリソースを適応的に割り当てる能力を制限する。
これらの問題に対処するために、分散エッジ環境におけるAIパイプラインをコーディネートするためのアーキテクチャフレームワークであるCRAWO(Custom Resources for Adaptive Workload Orchestration)を紹介する。
CRAWOは、エッジノード上のサービスをインスタンス化しながら、配置決定、状態管理、ステージ間データフローを管理することで、アロケーションインテリジェンスと実行を分離するコントロールループベースのモデルに従う。
このフレームワークには、ハードウェア対応アロケータと、リアルタイムインフラストラクチャメトリクスを活用して、適応的なワークロード配置を可能にするプラグイン可能なマルチ基準決定層が組み込まれている。
リファレンス実装では、軽量なKubernetesディストリビューション(K3s)にデプロイされたマイクロサービスアーキテクチャを採用し、ドメインモデリングにCustom Resource Definitions(CRDs)、状態整合のための専用のオペレータを使用している。
ライセンスプレート認識を用いた車両監視シナリオの評価では、ワークロードの分散の改善と、レイテンシに敏感な環境における集中型クラウド処理への依存の低減が示されている。
関連論文リスト
- A Deployment-Oriented Framework for Explainable AI-Assisted eBPF/XDP Mitigation at the IoT Edge [0.0]
この記事では、LinuxベースのIoTエッジゲートウェイの概念的なフレームワークと研究アジェンダを提示します。
リソースを意識したフローレベルのAI支援リスクスコア、イベントレベルの説明可能性、EBPF/XDPによる境界緩和を組み合わせたものだ。
また、検出品質、リソースコスト、応答タイミング、ロールバック動作、正当なトラフィック保存をカバーした将来のハードウェア対応評価経路も定義している。
論文 参考訳（メタデータ） (2026-06-09T07:36:16Z) - Toward a Modular Architecture for Embedded AI Agent Systems at the Edge [0.0]
本稿では,組み込みエージェントシステムのためのモジュール型参照アーキテクチャを提案する。
On-Device AgentsとCloud-Augmented Agentsを分離するタイレッドデザインを導入する。
重要な貢献は、横断的なガバナンス層の統合である。
論文 参考訳（メタデータ） (2026-06-01T20:24:18Z) - Physical-AI: From Channel Awareness to Environmental Intelligence in 6G Wireless Networks [100.92510794177822]
従来の無線ネットワークは、物理的環境を明示的にモデル化することなく、瞬時チャネル状態情報(CSI)に依存し、チャネルの変動に反応する。
本研究では,環境に配慮した無線ネットワークのための新しいアーキテクチャであるPhysical-AIを提案する。
提案手法は,特にビームスイッチング遅延の増加にともなって,停止確率とブロック応答遅延を低減させる。
論文 参考訳（メタデータ） (2026-05-12T09:02:20Z) - Decentralized Orchestration Architecture for Fluid Computing: A Secure Distributed AI Use Case [2.359679792068363]
本稿では,流体計算環境における非依存型マルチドメインオーケストレーションアーキテクチャを提案する。
このアーキテクチャは、実行時にアプリケーションレベルの拡張をサポートするため、ドメインサイドコントロールサービスをファーストクラスの機能として高める。
我々は,SDN 対応マルチドメイン異常検出機構である FU-HST を導入して,ビザンチンのセキュリティを強化するために,ドメイン側の機能を活用している。
論文 参考訳（メタデータ） (2026-03-12T14:49:12Z) - Hybrid Orchestration of Edge AI and Microservices via Graph-based Self-Imitation Learning [10.889659056437546]
SIL-GPOは、エッジAIマイクロサービスシステムのハイブリッドオーケストレーションを最適化する強化学習フレームワークである。
我々は、SIL-GPOが、最先端、メタヒューリスティック、深層RLベースラインと比較して、エンドツーエンドのサービスレイテンシを著しく低減し、リソース利用率を高めることを実証した。
論文 参考訳（メタデータ） (2026-03-03T03:54:04Z) - MegaFlow: Large-Scale Distributed Orchestration System for the Agentic Era [74.42509044145417]
MegaFlowは、エージェント環境ワークロードの効率的なスケジューリング、リソース割り当て、きめ細かいタスク管理を可能にする、大規模な分散オーケストレーションシステムである。
エージェントのトレーニングデプロイメントでは、MegaFlowは、高いシステムの安定性を維持しながら、数万の並行エージェントタスクを編成し、効率的なリソース利用を実現しています。
論文 参考訳（メタデータ） (2026-01-12T13:25:33Z) - QoS-Aware Dynamic CU Selection in O-RAN with Graph-Based Reinforcement Learning [1.0732935873226022]
Open Radio Access Network (O RAN)は、従来のRANを相互運用可能なコンポーネントに分解し、柔軟なリソース割り当て、省エネ、アジャイルアーキテクチャ設計を可能にする。
固定写像を緩和し, 動的サービス機能チェーン (SFC) をオンザフライOCU選択で提供することにより, 制限に対処する。
我々はこの問題をマルコフ決定プロセスとして定式化し、GRLDyP、すなわちグラフニューラルネットワーク(GNN)による深部強化学習(DRL)を用いて解決する。
提案エージェントは,入ってくる各サービスフローの経路とO-CU位置を共同で選択し,ネットワークエネルギーを最小化する。
論文 参考訳（メタデータ） (2025-11-21T16:10:28Z) - Sparsity-Aware Intelligent Massive Random Access Control in Open RAN: A
Reinforcement Learning Based Approach [61.74489383629319]
新たなOpen Radio Access Network(O-RAN)におけるデバイスの大量ランダムアクセスは、アクセス制御と管理に大きな課題をもたらします。
閉ループアクセス制御の強化学習(RL)支援方式を提案する。
深部RL支援SAUDは、連続的かつ高次元の状態と行動空間を持つ複雑な環境を解決するために提案されている。
論文 参考訳（メタデータ） (2023-03-05T12:25:49Z) - Artificial Intelligence Empowered Multiple Access for Ultra Reliable and
Low Latency THz Wireless Networks [76.89730672544216]
テラヘルツ(THz)無線ネットワークは、第5世代(B5G)以上の時代を触媒すると予想されている。
いくつかのB5Gアプリケーションの超信頼性と低レイテンシ要求を満たすためには、新しいモビリティ管理アプローチが必要である。
本稿では、インテリジェントなユーザアソシエーションとリソースアロケーションを実現するとともに、フレキシブルで適応的なモビリティ管理を可能にする、全体論的MAC層アプローチを提案する。
論文 参考訳（メタデータ） (2022-08-17T03:00:24Z) - Towards AIOps in Edge Computing Environments [60.27785717687999]
本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。
高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
論文 参考訳（メタデータ） (2021-02-12T09:33:00Z) - Adaptive Subcarrier, Parameter, and Power Allocation for Partitioned
Edge Learning Over Broadband Channels [69.18343801164741]
パーティショニングエッジ学習(PARTEL)は、無線ネットワークにおいてよく知られた分散学習手法であるパラメータサーバトレーニングを実装している。
本稿では、いくつかの補助変数を導入してParticleELを用いてトレーニングできるディープニューラルネットワーク(DNN)モデルについて考察する。
論文 参考訳（メタデータ） (2020-10-08T15:27:50Z)
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。