Buchumschlag

MAS-H2: A Hierarchical Multi-Agent System for Holistic Cloud-Native Autoscaling

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Hamzeh, Hamed, Vahdatian, Parisa
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Distributed, Parallel, and Cluster Computing Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

AGMARL-DKS: An Adaptive Graph-Enhanced Multi-Agent Reinforcement Learning for Dynamic Kubernetes Scheduling
von: Hamzeh, Hamed
Veröffentlicht: (2026)

SAIR: Cost-Efficient Multi-Stage ML Pipeline Autoscaling via In-Context Reinforcement Learning
von: Su, Jianchang, et al.
Veröffentlicht: (2026)

A Holistic Framework for Automated Configuration Recommendation for Cloud Service Monitoring
von: Bastos, Anson, et al.
Veröffentlicht: (2026)

Mitigating Temporal Blindness in Kubernetes Autoscaling: An Attention-Double-LSTM Framework
von: Shaikh, Faraz, et al.
Veröffentlicht: (2026)

From Models to Operators: Rethinking Autoscaling Granularity for Large Generative Models
von: Cui, Xingqi, et al.
Veröffentlicht: (2025)

Computing in the Era of Large Generative Models: From Cloud-Native to AI-Native
von: Lu, Yao, et al.
Veröffentlicht: (2024)

HGraphScale: Hierarchical Graph Learning for Autoscaling Microservice Applications in Container-based Cloud Computing
von: Fang, Zhengxin, et al.
Veröffentlicht: (2025)

A Robust Power Model Training Framework for Cloud Native Runtime Energy Metric Exporter
von: Choochotkaew, Sunyanan, et al.
Veröffentlicht: (2024)

Multi-dimensional Autoscaling of Processing Services: A Comparison of Agent-based Methods
von: Sedlak, Boris, et al.
Veröffentlicht: (2025)

Multi-Dimensional Autoscaling of Stream Processing Services on Edge Devices
von: Sedlak, Boris, et al.
Veröffentlicht: (2025)

MARLIN: Multi-Agent Game-Theoretic Reinforcement Learning for Sustainable LLM Inference in Cloud Datacenters
von: Moore, H., et al.
Veröffentlicht: (2026)

Multi-Objective Optimization of Consumer Group Autoscaling in Message Broker Systems
von: Landau, Diogo, et al.
Veröffentlicht: (2024)

H-EYE: Holistic Resource Modeling and Management for Diversely Scaled Edge-Cloud Systems
von: Dagli, Ismet, et al.
Veröffentlicht: (2024)

Local-Cloud Inference Offloading for LLMs in Multi-Modal, Multi-Task, Multi-Dialogue Settings
von: Yuan, Liangqi, et al.
Veröffentlicht: (2025)

Dependency Aware Incident Linking in Large Cloud Systems
von: Ghosh, Supriyo, et al.
Veröffentlicht: (2024)

Holistic Evaluation Metrics: Use Case Sensitive Evaluation Metrics for Federated Learning
von: Li, Yanli, et al.
Veröffentlicht: (2024)

A Comprehensive Forecasting Framework based on Multi-Stage Hierarchical Forecasting Reconciliation and Adjustment
von: Yang, Zhengchao, et al.
Veröffentlicht: (2024)

Entry Dependent Expert Selection in Distributed Gaussian Processes Using Multilabel Classification
von: Jalali, Hamed, et al.
Veröffentlicht: (2022)

ASTRA-sim2.0: Modeling Hierarchical Networks and Disaggregated Systems for Large-model Training at Scale
von: Won, William, et al.
Veröffentlicht: (2023)

A Theory of Multi-Agent Generative Flow Networks
von: Brunswic, Leo Maxime, et al.
Veröffentlicht: (2025)

Leveraging Neural Graph Compilers in Machine Learning Research for Edge-Cloud Systems
von: Furutanpey, Alireza, et al.
Veröffentlicht: (2025)

FSA: An Alternative Efficient Implementation of Native Sparse Attention Kernel
von: Yan, Ran, et al.
Veröffentlicht: (2025)

Cloud Native System for LLM Inference Serving
von: Xu, Minxian, et al.
Veröffentlicht: (2025)

CASA: A Framework for SLO and Carbon-Aware Autoscaling and Scheduling in Serverless Cloud Computing
von: Qi, S., et al.
Veröffentlicht: (2024)

FedFog: Network-Aware Optimization of Federated Learning over Wireless Fog-Cloud Systems
von: Nguyen, Van-Dinh, et al.
Veröffentlicht: (2021)

LA-IMR: Latency-Aware, Predictive In-Memory Routing and Proactive Autoscaling for Tail-Latency-Sensitive Cloud Robotics
von: Seo, Eunil, et al.
Veröffentlicht: (2025)

Hierarchical Autoscaling for Large Language Model Serving with Chiron
von: Patke, Archit, et al.
Veröffentlicht: (2025)

BatchWeave: A Consistent Object-Store-Native Data Plane for Large Foundation Model Training
von: Sun, Ting, et al.
Veröffentlicht: (2026)

Self-adaptive, Requirements-driven Autoscaling of Microservices
von: Nunes, João Paulo Karol Santos, et al.
Veröffentlicht: (2024)

Proactive and Reactive Autoscaling Techniques for Edge Computing
von: Gupta, Suhrid, et al.
Veröffentlicht: (2025)

Towards an Adaptive Runtime System for Cloud-Native HPC
von: Bhosale, Aditya, et al.
Veröffentlicht: (2026)

TorchGT: A Holistic System for Large-scale Graph Transformer Training
von: Zhang, Meng, et al.
Veröffentlicht: (2024)

AirFed: A Federated Graph-Enhanced Multi-Agent Reinforcement Learning Framework for Multi-UAV Cooperative Mobile Edge Computing
von: Wang, Zhiyu, et al.
Veröffentlicht: (2025)

Daedalus: Self-Adaptive Horizontal Autoscaling for Resource Efficiency of Distributed Stream Processing Systems
von: Pfister, Benjamin J. J., et al.
Veröffentlicht: (2024)

MAIZX: A Carbon-Aware Framework for Optimizing Cloud Computing Emissions
von: Ruilova, Federico, et al.
Veröffentlicht: (2025)

Governing Cloud Data Pipelines with Agentic AI
von: Kirubakaran, Aswathnarayan Muthukrishnan, et al.
Veröffentlicht: (2025)

Improvements & Evaluations on the MLCommons CloudMask Benchmark
von: Chennamsetti, Varshitha, et al.
Veröffentlicht: (2024)

QAISim: A Toolkit for Modeling and Simulation of AI in Quantum Cloud Computing Environments
von: Singh, Irwindeep, et al.
Veröffentlicht: (2025)

Flight: A FaaS-Based Framework for Complex and Hierarchical Federated Learning
von: Hudson, Nathaniel, et al.
Veröffentlicht: (2024)

Synthetic Time Series for Anomaly Detection in Cloud Microservices
von: Allam, Mohamed, et al.
Veröffentlicht: (2024)