抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
より長い実行時間を持つ傾向がある大きいデータ応用の出現によって,正しいクラウドVMを選択することは,著しい性能と経済的含意を持った。例えば,3つの一般的な大規模データシステムに関する107の異なる作業負荷の大規模な経験的研究において,間違った選択が20倍の減速またはコストの10倍の増加に導くことができることを見出した。Bayes最適化は,高価な(ブラックボックス)関数を最適化するための技術である。これまでの研究では,探索空間を表現するのに十分でない,瞬時レベルの情報(コアカウントやメモリサイズなど)しか使用されていない。本研究では,これが脆弱性問題に導く可能性があることを発見した。すなわち,高い探索コストを招くか,あるいは準最適解のみを見出すことである。本論文の中心的洞察は,Bayes最適化のプロセスを強化するために,低レベルの性能情報を使用することである。著者らの新しい低レベル拡張Bayes最適化は現在の実践よりもほとんど悪くなく,しばしばより良く機能する(107例中46例)。さらに,それは,著者らの事例研究のほぼ半分において,探索コストを著しく減少させた。本研究に基づいて,CPU利用,作業記憶サイズおよびI/O待ち時間のような本質的なシステム知識を用いて,これらの方法を強化することなく,クラウドインスタンスを構成するために,汎用のオフザシェル手法を使用することは,しばしば不十分であると結論した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
