論文の概要: Domain-Knowledge Driven Configuration Tuning of Kubernetes Workloads
- arxiv url: http://arxiv.org/abs/2610.16651v1
- Date: Mon, 12 Oct 2026 12:08:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-18 22:07:24.603408
- Title: Domain-Knowledge Driven Configuration Tuning of Kubernetes Workloads
- Title（参考訳）: Kubernetesワークロードのドメイン知識駆動構成チューニング
- Abstract要約: 本稿では,産業用アプリケーションの構成を実時間で把握するためのドメイン知識駆動型ソリューションを提案する。
このソリューションは、同様のアプリケーションでドメインの専門家が遭遇する制約のカタログに依存します。
パフォーマンスエンジニアリングと最適化を専門とするソフトウェア企業の産業用ツールにソリューションを実装します。
- 参考スコア（独自算出の注目度）: 0.9917179586941692
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial software applications often require engineers to tune the software deployment platform. Configuration tuning identifies valuable configurations that minimize costs while ensuring the application performance. However, finding these configurations is difficult. The number of tunable configuration parameters in industrial applications is large, and engineers cannot assess different configurations in production because users may experience performance degradation. This work targets Kubernetes: A system for automating the deployment, scaling, and management of containerized applications. This paper proposes a domain-knowledge-driven solution for finding configurations of industrial applications in a practical time. The solution relies on a catalog of constraints encountered by domain experts in similar applications. Depending on the problem under analysis, engineers can customize the optimization problem by selecting the relevant constraints from the catalog for the application at hand. We rely on two alternative solvers to find an optimal configuration: The first is based on heuristics, while the second reuses existing optimization-based solutions. We implemented our solution within an industrial tool from a software company specializing in performance engineering and optimization. We compare our solution to a baseline, considering a set of predefined configuration values provided by engineers. Our results confirm the effectiveness of our solution: Compared to the baseline, the heuristic-based and optimization-based solutions provide significant average savings of 11591 USD/mo and 15874 USD/mo per Kubernetes, respectively, accounting for 24.03% and 32.90% of the costs, in practical time (0.71 seconds per extraction for the heuristic-based and 45.54 seconds per extraction for the optimization-based solution).
- Abstract（参考訳）: 産業用ソフトウェアアプリケーションは、しばしばソフトウェアデプロイメントプラットフォームをチューニングするためにエンジニアを必要とします。
構成チューニングは、アプリケーションパフォーマンスを確保しながらコストを最小限にする価値のある構成を特定する。
しかし、これらの構成を見つけることは困難である。
産業アプリケーションにおけるチューニング可能な構成パラメータの数は膨大であり、パフォーマンス劣化を経験する可能性があるため、エンジニアは本番環境で異なる構成を評価することはできない。
コンテナ化されたアプリケーションのデプロイ、スケーリング、管理を自動化するシステム。
本稿では,産業用アプリケーションの構成を実時間で把握するためのドメイン知識駆動型ソリューションを提案する。
このソリューションは、同様のアプリケーションでドメインの専門家が遭遇する制約のカタログに依存します。
分析中の問題に応じて、エンジニアは、目の前のアプリケーションのカタログから関連する制約を選択することで、最適化問題をカスタマイズできる。
1つはヒューリスティックに基づいており、もう1つは既存の最適化ベースのソリューションを再利用している。
私たちは、パフォーマンスエンジニアリングと最適化を専門とするソフトウェア企業の産業用ツールでソリューションを実装しました。
エンジニアが用意した事前定義された設定値のセットを考慮して、ソリューションをベースラインと比較します。
ベースラインと比較して、ヒューリスティックベースのソリューションと最適化ベースのソリューションは、それぞれ11591 USD/moと15874 USD/moの大幅な平均保存を提供し、実際の時間(ヒューリスティックベースのソリューションの抽出0.71秒、最適化ベースのソリューションの抽出45.54秒)において、コストの24.03%と32.90%を占めています。
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) - The Optimizer Is the Agent: Reasoning-Driven Search across Prompts, Programs, and ML Workflows [72.9051182568928]
推論駆動最適化のための統合フレームワークであるReASearchを提案する。
共有エージェントループとドメイン固有のツールにより、ReASearchは、プロンプト、プログラム、MLを最適化するために、まったく同じスキャフォールドをインスタンス化する。
我々は,複雑な探索行動がエージェントの推論プロセスから自然に現れることを観察する。
論文 参考訳（メタデータ） (2026-08-07T02:15:39Z) - AgentOpt v0.1 Technical Report: Client-Side Optimization for LLM-Based Agent [18.58248061903799]
AgentOptは、クライアントサイドAI最適化のための最初のフレームワークに依存しないPythonパッケージである。
我々はまず,マルチステップエージェントパイプラインにおける高インパクト最適化レバーであるモデル選択について検討する。
指数関数的に増加する組み合わせ空間を効率的に探索するために、AgentOptは10の検索アルゴリズムを実装している。
論文 参考訳（メタデータ） (2026-04-07T17:13:47Z) - Automated Design Optimization via Strategic Search with Large Language Models [0.0]
AUTOは、設計最適化を戦略的LLM推論によって導かれる勾配のない探索問題として扱うフレームワークである。
中央値のソフトウェア開発者は最大480ドルと見積もられているのに対して、1ラン当たり159ドルと推定されるコストで、約8時間で最適化を完了する。
論文 参考訳（メタデータ） (2025-11-27T17:42:05Z) - ZeroLM: Data-Free Transformer Architecture Search for Language Models [54.83882149157548]
現在の自動プロキシ発見アプローチは、検索時間の拡張、データの過度なオーバーフィットへの感受性、構造的な複雑さに悩まされている。
本稿では,効率的な重み統計によるモデルキャパシティの定量化を目的とした,新しいゼロコストプロキシ手法を提案する。
本評価は,FlexiBERT ベンチマークで Spearman's rho 0.76 と Kendall's tau 0.53 を達成し,このアプローチの優位性を示すものである。
論文 参考訳（メタデータ） (2025-03-24T13:11:22Z) - Tiered Acquisition for Constrained Bayesian Optimization: An Application to Analog Circuits [5.353688923855625]
本稿では,獲得関数の結合アンサンブルを用いたベイズ最適化アルゴリズムを提案する。
この方法は、65nmの2段ミラー補償動作増幅器の利得と面積最適化に有効である。
頑健なベースラインと最先端のアルゴリズムと比較して、制約違反を最大38%削減し、目標目標を最大43%改善する。
論文 参考訳（メタデータ） (2024-12-23T07:41:43Z) - Learning Multiple Initial Solutions to Optimization Problems [52.9380464408756]
厳密なランタイム制約の下で、同様の最適化問題を順次解決することは、多くのアプリケーションにとって不可欠である。
本稿では,問題インスタンスを定義するパラメータが与えられた初期解を多種多様に予測する学習を提案する。
提案手法は,すべての評価設定において有意かつ一貫した改善を実現し,必要な初期解の数に応じて効率よくスケールできることを実証した。
論文 参考訳（メタデータ） (2024-11-04T15:17:19Z) - Towards General and Efficient Online Tuning for Spark [55.30868031221838]
本稿では,3つの問題を同時に処理できる汎用的で効率的なSparkチューニングフレームワークを提案する。
我々は、このフレームワークを独立したクラウドサービスとして実装し、Tencentのデータプラットフォームに適用しました。
論文 参考訳（メタデータ） (2023-09-05T02:16:45Z) - Learning to Optimize: A Primer and A Benchmark [94.29436694770953]
最適化への学習(L2O)は、機械学習を活用して最適化方法を開発する新しいアプローチです。
この記事では、継続的最適化のためのL2Oの総合的な調査とベンチマークを行う。
論文 参考訳（メタデータ） (2021-03-23T20:46:20Z)
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。