## Memo ## Abstract クラウドネイティブなマイクロサービスのリソース管理は、最近注目を集めている。これまでの研究で、機械学習（ML）駆動型のアプローチは、SLAの維持とリソース効率の両方の点で、自動スケーリングなどの従来の手法を上回ることが示されている。しかし、ML駆動型アプローチは、データ収集プロセスの長さやスケーラビリティの制限などの課題も抱えている。我々は、これらの課題を解決するクラウドネイティブマイクロサービスのための軽量リソース管理システムUrsaを発表する。Ursaは、エンドツーエンドのSLAをサービスごとのSLAに分解し、サービスごとのSLAをマイクロサービス階層ごとの個別のリソース割り当てにマッピングする分析モデルを使用します。探索プロセスを高速化し、長時間のSLA違反を回避するために、Ursaは各マイクロサービスを個別に探索し、レイテンシがSLAを超えた場合は探索を迅速に停止する。 ソーシャルネットワーク、メディアサービス、ビデオ処理パイプラインを含む、代表的でエンドツーエンドのマイクロサービストポロジーのセットでUrsaを評価し、それぞれ異なるSLAを持つ複数のクラスと優先順位のリクエストで構成され、2つの代表的なML駆動システムであるSinanとFirmと比較した。これらのML駆動型アプローチと比較して、Ursaは大きな利点を提供する：データ収集プロセスを128倍以上短縮し、制御プレーンはML駆動型アプローチより43倍高速である。同時に、Ursaはリソース効率やSLAを犠牲にしない。オンラインデプロイメントの際、UrsaはSLA違反率を9.0%から最大49.9%削減し、CPU割り当てをML駆動アプローチと比較して最大86.2%削減します。