## Memo アテネ工科大学の博士論文。National Technical University of Athens, School of Electrical & Computer Engineering, Division of Communication, Electronic and Information Engineering ### Gemini 1.5 Proによる要約 博士論文では、クラウドアーキテクチャにおけるシステム最適化のためのディープラーニング技術を調査しています。従来の人間主導のオーケストレーションメカニズムでは管理が困難な、利用可能な最適化ノブの膨大な量と多層な性質を考慮すると、現代のクラウドシステムの潜在能力を最大限に活用するには、ディープラーニングアプローチが不可欠であると思われます。 最初に、最新のクラウドインフラストラクチャの不可欠な部分であるシステム監視の分野における最先端のニューラルネットワークの採用について調査しています。次に、ML主導のオーケストレーションの階層の異なるレベル、つまり、アプリケーション主導の自動最適化、クラスタレベルのアプリケーションのデプロイとオーケストレーション、および実行中のアプリケーションのシステムレベル制御への適用を調査しています。上記の目標を達成するために、Rusty、Adrias、Sparkleという3つのフレームワークを提案しています。これらのフレームワークは、階層の異なるレベルでディープラーニング主導の最適化を採用しています。 ## Abstract 今日、クラウド・コンピューティングは、柔軟性と効率性の向上により、アプリケーション実行のための最も魅力的なソリューションのひとつになりつつある。クラウド・コンピューティングとは、システム・リソース、特にコンピューティング・パワーとストレージをオンデマンドで提供することを指します。これらのリソースは通常、世界中のデータセンター環境やサーバーファームにある個々のサーバー上に存在します。これらのリソースを適切かつ効率的に管理することは、プロバイダーにとってもエンドユーザーにとっても非常に重要である。しかし、クラウド・コンピューティング・リソースのオーケストレーションは、i) 利用可能な最適化ノブの量が膨大であること、ii) これらの最適化を適用できるレベルが異なること（サーバーレベルからクラスタレベル、アプリケーションレベル）、iii) 今日のデータセンター環境で見られるハードウェアの極端な異機種混在と組み合わされたソフトウェアとハードウェアの最適化間の相互関係、などの理由から、一筋縄ではいきません。その上、新しいコンピューティング・パラダイム（例：ハードウェア・ディスアグリゲーション）が出現しており、余分な最適化ノブが前面に出てくるため、効率的なリソース・オーケストレーションの問題をさらに複雑にしている。 本論文では、クラウドアーキテクチャにおけるシステム最適化のためのディープラーニング技術の適用可能性を検討する。利用可能な最適化ノブの膨大な量とマルチレベルの性質を考慮すると、従来の人間主導のオーケストレーション機構では管理できない傾向があるため、最新のクラウドシステムの潜在能力を最大限に引き出し、活用するためには、ディープラーニングアプローチは避けて通れないように思われる。まず、最新のクラウドインフラに不可欠なシステム監視の分野における最先端のニューラルネットワークの採用について調査する。次に、アプリケーション駆動型の自動最適化、クラスタレベルのアプリケーションのデプロイとオーケストレーション、実行中のアプリケーションのシステムレベルの制御など、階層の異なるレベルでのML駆動型オーケストレーションの適用を検討する。上記を実現するために、我々は3つのフレームワーク、すなわちRusty、Adrias、Sparkleを提案し、これらは深層学習主導の最適化を異なる階層レベルで採用する。