文献

J-GLOBAL ID：202102283558489367   整理番号：21A0235365

確率的機械学習によるコンテナ化マイクロサービスのロバスト資源スケーリング【JST・京大機械翻訳】

Robust Resource Scaling of Containerized Microservices with Probabilistic Machine learning

著者 (2件)： Kang Peng (University of Texas at San Antonio,Department of Computer Science,San Antonio,Texas,USA) ,  Lama Palden (University of Texas at San Antonio,Department of Computer Science,San Antonio,Texas,USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： UCC  ページ： 122-131  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 大規模Webサービスは,多くの小型モジュール部品(マイクロサービス)でますます構築され,それは,展開され,更新され,シームレスにスケーリングされる。これらのマイクロサービスは,軽量分離実行環境(コンテナ)で実行され,クラウドプロバイダから出される計算資源に展開される。しかし,クラウドデータセンターにおける共有ハードウェア資源の複雑な相互作用とコンテンションは,Webサービス性能を管理する際に大きな課題をもたらす。本論文では,クラウドに配備されたコンテナ化マイクロサービスに対するエンドツーエンド性能保証を提供するロバストな資源スケーリングシステムであるRScaleを提示した。RScaleは確率的機械学習ベース性能モデルを採用し,それはシステムダイナミックスの変化に迅速に適応し,最小オーバヘッドで予測の信頼限界を直接提供する。それは,コンテナレベル資源利用計量と仮想機械レベルハードウェア性能カウンターメトリックから収集する多層データを利用して,マルチテナント性能干渉の存在における資源需要の変化を把握する。仮想化のためにKVMを用いてNSFクラウドのChameleonテストベッド上でRScaleを実装,評価し,コンテナ化のためのDockerエンジンとコンテナ調整のためのKubernetesを評価した。オープンソースマイクロサービスベンチマーク,ロボットショップによる実験結果は,一般的な機械学習技術と比較して,著者らのモデリングアプローチの優れた予測精度と適応性を実証した。RScaleは,マルチテナント性能干渉と変化システムダイナミックスの存在下でさえ,様々なマイクロサービスワークフローのための性能SLO(サービスレベル目的)目標を満たす。Copyright 2021 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】

シソーラス用語： 干渉 ,  相互作用 ,  *コンテナ ,  ロボット ,  *コンテナリゼーション ,  データセンタ ,  エンドツーエンド方式 ,  ハードウェア ,  仮想機械システム ,  ベンチマーク ,  *ロバスト性 ,  *機械学習 ,  Webサービス
準シソーラス用語： オーバヘッド ,  仮想化 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 確率 ,  機械学習 ,  コンテナ化 ,  サービス ,  ロバスト ,  資源 ,  スケーリング