論文の概要: Right-sizing Recommendations (RSR): Cloud Workload Conformal Prediction for Virtual Machines in Data Center Operations

• arxiv url: http://arxiv.org/abs/2607.24773v1
• Date: Fri, 12 Jun 2026 10:04:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.137227
• Title: Right-sizing Recommendations (RSR): Cloud Workload Conformal Prediction for Virtual Machines in Data Center Operations
• Title（参考訳）: right-size Recommendations (RSR): データセンター運用における仮想マシンのクラウドワークロードのコンフォーマル予測
• Abstract要約: 本研究では, ブートストラップ型コンフォメーション予測を用いた新しいデータ駆動型PI構築手法を提案する。 本研究は,ワークロード利用パターンの学習,複数時系列間の相関関係の同定,中長期利用傾向の予測により,クラウドおよびデータセンター運用の効率化を目指す。
• 参考スコア（独自算出の注目度）: 2.868042284505989
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Managing cloud infrastructure efficiently, especially in environments of large cloud providers or hyperscalers, requires optimizing the use of physical resources to minimize costs and maximize performance. Selecting the right virtual machine (VM) sizes is crucial to achieving cost efficiency in these dynamic environments. However, traditional VM allocation and scheduling approaches often fail to account for the fluctuating and unpredictable nature of VM utilization, leading to inefficiencies such as over- or under-provisioning of resources. High-quality interval prediction helps accurately capture uncertainty in cloud resource demand and supports cloud operators in efficient instance provisioning. As an effective and reliable framework for constructing prediction intervals (PIs), conformal prediction (CP) is used for mid- and long-term forecasting tasks in cloud computing environments. This study proposes a new data-driven PI construction approach using bootstrapping conformal prediction for modern, dynamic, data-driven Right-sizing Recommendations (RSR) to enhance provisioning for diverse application workloads on hyperscalers. By learning workload utilization patterns, identifying correlations across multiple time series, and predicting medium- to long-term utilization trends, this research seeks to improve the efficiency of cloud and data center operations through an AI/ML-based provisioning pipeline. Our study demonstrates that AI-driven models, powered by machine learning regression techniques and evaluated using backtesting, achieve promising forecasting results for cloud resource utilization. Additionally, we rank the selected models to identify top-performing approaches for long-life VM candidates. The proposed framework enhances right-sizing recommendations and supports more cost-effective resource allocation in dynamic cloud environments.
• Abstract（参考訳）: クラウドインフラストラクチャの効率的な管理、特に大規模クラウドプロバイダやハイパースケーラの環境では、コストの最小化とパフォーマンスの最大化のために、物理的なリソースの使用を最適化する必要がある。 これらの動的環境でコスト効率を達成するためには、適切な仮想マシン(VM)サイズを選択することが重要です。 しかし、従来のVMのアロケーションとスケジューリングのアプローチは、VMの利用の変動と予測不可能な性質を考慮できないことが多いため、リソースの過剰や過小計画といった非効率につながる。 高品質なインターバル予測は、クラウドリソース需要の不確実性を正確に把握し、効率的なインスタンスプロビジョニングでクラウドオペレータをサポートする。 予測区間(PI)を構築するための効果的で信頼性の高いフレームワークとして、クラウドコンピューティング環境における中長期予測タスクに共形予測(CP)を用いる。 本研究では、ハイパスケーラ上の多様なアプリケーションワークロードのプロビジョニングを強化するために、現代的な動的データ駆動型Right-Size Recommendations(RSR)に対してブートストラップ整列予測を用いた新しいデータ駆動型PI構築手法を提案する。 ワークロード利用パターンの学習,複数時系列間の相関関係の同定,中長期利用傾向の予測により,AI/MLベースのプロビジョニングパイプラインによるクラウドおよびデータセンタ運用の効率向上を目指す。 本研究は,機械学習回帰技術を活用したAI駆動モデルと,バックテストによる評価により,クラウドリソース利用の予測結果が期待できることを示す。 さらに、選択したモデルをランク付けして、長寿命のVM候補に対する最高のパフォーマンスのアプローチを特定します。 このフレームワークは、動的クラウド環境において、よりコスト効率の良いリソース割り当てをサポートする。

関連論文リスト

• ScaleSense: Cost-Intelligent Scaling Framework via Learned Resource Estimation in Alibaba AnalyticDB [59.708423132520515]
  クラウドネイティブなサーバレスデータウェアハウスは、計算からストレージを分離することで、きめ細かい弾力性を達成する。 しかし、高度にヘテロジニアスなアドホッククエリに対する最適なリソース割り当てを決定することは、深刻な産業上の課題である。 プロアクティブでクエリレベルのリソーススケーリングフレームワークであるScaleSenseを提案する。
  論文  参考訳（メタデータ） (2026-08-08T06:10:35Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
  条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。 本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。 次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
  論文  参考訳（メタデータ） (2025-02-21T14:36:12Z)
• AI-Driven Resource Allocation Framework for Microservices in Hybrid Cloud Platforms [1.03590082373586]
  本稿では,ハイブリッドクラウドプラットフォームにおけるリソース割り当てのためのAI駆動型フレームワークを提案する。 このフレームワークは、コスト削減と性能向上のために強化学習(RL)ベースのリソース利用最適化を採用している。
  論文  参考訳（メタデータ） (2024-12-03T17:41:08Z)
• Intelligent Model Update Strategy for Sequential Recommendation [34.02565495747133]
  我々はIntellectReqを紹介した。IntellectReqはエッジで動作するように設計されており、最小の通信オーバーヘッドでパラメータ要求のコスト対効果を評価できる。 本研究では,実時間ユーザ動作を正規分布に変換するために統計マッピング手法を用い,モデルの不確実性を定量化するためにマルチサンプル出力を用いる。
  論文  参考訳（メタデータ） (2023-02-14T20:44:12Z)
• CILP: Co-simulation based Imitation Learner for Dynamic Resource Provisioning in Cloud Computing Environments [13.864161788250856]
  レイテンシクリティカルなタスクの主な課題は、積極的にプロビジョニングする将来のワークロード要求を予測することだ。 既存のAIベースのソリューションは、プロビジョニングのオーバーヘッド、異種VMコスト、クラウドシステムの品質(QoS)など、すべての重要な側面を公平に考慮しない傾向があります。 予測と最適化の2つのサブプロブレムとしてVMプロビジョニング問題を定式化するCILPと呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-02-11T09:15:34Z)
• A Meta Reinforcement Learning Approach for Predictive Autoscaling in the Cloud [10.970391043991363]
  本稿では,CPU利用の安定レベルを維持するために資源を最適に割り当てることを目的とした,エンドツーエンドのメタモデルに基づくRLアルゴリズムを提案する。 当社のアルゴリズムは,スケーリング戦略の予測可能性と精度を確保するだけでなく,スケーリング決定が変化するワークロードに高いサンプル効率で適応できるようにする。
  論文  参考訳（メタデータ） (2022-05-31T13:54:04Z)
• Learning to Continuously Optimize Wireless Resource in a Dynamic Environment: A Bilevel Optimization Perspective [52.497514255040514]
  この研究は、データ駆動メソッドが動的環境でリソース割り当て戦略を継続的に学び、最適化することを可能にする新しいアプローチを開発しています。 学習モデルが新たなエピソードに段階的に適応できるように、連続学習の概念を無線システム設計に組み込むことを提案する。 我々の設計は、異なるデータサンプルにまたがる公平性を保証する、新しい二段階最適化定式化に基づいている。
  論文  参考訳（メタデータ） (2021-05-03T07:23:39Z)
• A Predictive Autoscaler for Elastic Batch Jobs [8.354712625979776]
  Deep Learning、HPC、Sparkといった大規模なバッチジョブは、従来のオンラインサービスよりもはるかに多くの計算リソースとコストを必要とします。 顧客とオーバプロビジョンインスタンスに対して,柔軟なインターフェースを提供するための予測オートスケーラを提案する。
  論文  参考訳（メタデータ） (2020-10-10T17:35:55Z)

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。