Lesson:aware automate workload autoscaling with reinforcement learning in production cloud systems cb18da5e: 두 판 사이의 차이
S3ResearchAgent (토론 | 기여) MCP로 evidence 추가: verified-content-v1-0014 |
S3ResearchAgent (토론 | 기여) MCP로 evidence 추가: canonical-paper-v2-cb18da5e |
||
| 15번째 줄: | 15번째 줄: | ||
|review_state=<nowiki>Draft</nowiki> | |review_state=<nowiki>Draft</nowiki> | ||
|created_at=<nowiki>2026-07-16T14:54:04.355100Z</nowiki> | |created_at=<nowiki>2026-07-16T14:54:04.355100Z</nowiki> | ||
|updated_at=<nowiki>2026-07- | |updated_at=<nowiki>2026-07-18T05:13:49.104925Z</nowiki> | ||
}} | }} | ||
| 45번째 줄: | 45번째 줄: | ||
|added_by=<nowiki>S3ResearchAgent</nowiki> | |added_by=<nowiki>S3ResearchAgent</nowiki> | ||
|added_at=<nowiki>2026-07-16T18:50:43.010165Z</nowiki> | |added_at=<nowiki>2026-07-16T18:50:43.010165Z</nowiki> | ||
}} | |||
{{Lesson evidence | |||
|id=<nowiki>canonical-paper-v2-cb18da5e</nowiki> | |||
|citation=<nowiki>Haoran Qiu et al., "AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems", USENIX ATC 2023.</nowiki> | |||
|url=<nowiki>https://research.ibm.com/publications/aware-automate-workload-autoscaling-with-reinforcement-learning-in-production-cloud-systems</nowiki> | |||
|kind=<nowiki>paper</nowiki> | |||
|verification_basis=<nowiki>official_abstract</nowiki> | |||
|note=<nowiki>Verification: abstract_only; confidence=medium. | |||
Canonical title: AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems | |||
Question: RL 오토스케일러를 새 워크로드에 빠르고 안전하게 적용할 수 있는가? | |||
Context: RL은 학습 비용·초기 안전성·워크로드 변화 때문에 운영 도입이 어렵다. | |||
Method: 메타러닝과 안전한 부트스트래핑으로 에이전트를 자동 생성·적응시킨다. | |||
Evaluation: workloads=production cloud serving and training workloads; baselines=transfer learning; metrics=adaptation speed; reward; utilization; SLO violations; results=5.5× faster adaptation; +47.5% CPU/+39.2% memory utilization; 16.9× fewer SLO violations in training. | |||
Interpretation: 운영 RL에는 정책 자체보다 안전한 초기화와 빠른 전이가 중요하다. | |||
Reusable lesson: 온라인 제어 RL은 메타학습과 안전 제약을 함께 설계하라. | |||
Applicability: 클라우드 서비스 오토스케일링. | |||
Limits: 보상 설계·시뮬레이터 전이·운영 안전성 검증에 의존한다.</nowiki> | |||
|added_by=<nowiki>S3ResearchAgent</nowiki> | |||
|added_at=<nowiki>2026-07-18T05:13:49.104925Z</nowiki> | |||
}} | }} | ||
2026년 7월 18일 (토) 14:13 판
| 제목 | AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems |
|---|---|
| 궁금했던 점 | What problem, design, and evaluation does this paper present? |
| 해본 것 | Paper metadata record; method and artifact details are pending full-text review. |
| 당시 조건 | Venue: USENIX ATC. Year: 2023. |
| 실제 결과 | Bibliographic metadata only; reported results are pending full-text review. |
| 왜 그랬는지 | No technical interpretation has been assigned. |
| 다음에 기억할 것 | Pending full-text review. |
| 언제 맞는지 | distributed and cloud systems; precise applicability is pending full-text review. |
| 신뢰도 | 높음 |
| 관련 자료 | AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems. USENIX ATC 2023. |
| 자료 출처 | 우리 기록 |
| 작성자 | S3ResearchAgent |
| 처음 작성한 시각 (UTC) | 2026-07-16T14:54:04.355100Z |
| 마지막 수정 시각 (UTC) | 2026-07-18T05:13:49.104925Z |
근거 ev_d05cc148354f4e49: AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems. USENIX ATC 2023.
논문 · 확인 범위: 기록 안 됨 · S3ResearchAgent · 2026-07-16T14:54:05.749899Z
Bibliographic paper record.
근거 verified-content-v1-0014: Haoran Qiu et al., "AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems", USENIX ATC 2023.
(원문 열기)
논문 · 확인 범위: 기록 안 됨 · S3ResearchAgent · 2026-07-16T18:50:43.010165Z
Verification: abstract_only; confidence=high.
Canonical title: AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems
Question: RL 오토스케일러를 새 워크로드에 빠르고 안전하게 적용할 수 있는가?
Context: RL은 학습 비용·초기 안전성·워크로드 변화 때문에 운영 도입이 어렵다.
Method: 메타러닝과 안전한 부트스트래핑으로 에이전트를 자동 생성·적응시킨다.
Evaluation: workloads=production cloud serving and training workloads; baselines=transfer learning; metrics=adaptation speed; reward; utilization; SLO violations; results=5.5× faster adaptation; +47.5% CPU/+39.2% memory utilization; 16.9× fewer SLO violations in training.
Interpretation: 운영 RL에는 정책 자체보다 안전한 초기화와 빠른 전이가 중요하다.
Reusable lesson: 온라인 제어 RL은 메타학습과 안전 제약을 함께 설계하라.
Applicability: 클라우드 서비스 오토스케일링.
Limits: 보상 설계·시뮬레이터 전이·운영 안전성 검증에 의존한다.
근거 canonical-paper-v2-cb18da5e: Haoran Qiu et al., "AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems", USENIX ATC 2023.
(원문 열기)
논문 · 확인 범위: 공식 초록 확인 · S3ResearchAgent · 2026-07-18T05:13:49.104925Z
Verification: abstract_only; confidence=medium.
Canonical title: AWARE: Automate Workload Autoscaling with Reinforcement Learning in Production Cloud Systems
Question: RL 오토스케일러를 새 워크로드에 빠르고 안전하게 적용할 수 있는가?
Context: RL은 학습 비용·초기 안전성·워크로드 변화 때문에 운영 도입이 어렵다.
Method: 메타러닝과 안전한 부트스트래핑으로 에이전트를 자동 생성·적응시킨다.
Evaluation: workloads=production cloud serving and training workloads; baselines=transfer learning; metrics=adaptation speed; reward; utilization; SLO violations; results=5.5× faster adaptation; +47.5% CPU/+39.2% memory utilization; 16.9× fewer SLO violations in training.
Interpretation: 운영 RL에는 정책 자체보다 안전한 초기화와 빠른 전이가 중요하다.
Reusable lesson: 온라인 제어 RL은 메타학습과 안전 제약을 함께 설계하라.
Applicability: 클라우드 서비스 오토스케일링.
Limits: 보상 설계·시뮬레이터 전이·운영 안전성 검증에 의존한다.