Perpustakaan Digital ITB

Penerapan beban kelja machine learning pada platform cloud multi-tenant menghadapkan operator pada dilema operasional antara latensi inisialisasi cold­ start dan spesifisitas lingkungan eksekusi. Optimalisasi tradisional pada lapisan hilir (downstream) secara reaktif mengurangi hambatan jaringan, tetapi gaga! menangani komposisi citra kontainer pada lapisan hulu (upstream). Penelitian ini memperkenalkan kerangka kelja Automatic Flavor Building (AFB), sebuah bidang kendali out-of-band yang mengotomatisasi pemeliharaan siklus hidup katalog sebagai masalah optimasi yang didorong oleh beban kelja. AFB secara berkelanjutan memindai jejak eksekusi historis untuk menyintesis citra dasar yang optimal melalui algoritrna Recursive Cake Layering (RCL). RCL membagi paket perangkat lunak ke dalam tingkatan cakupan berdasarkan frekuensi penggunaan dan memodelkan pembuatanjlavor perantara menggunakan struktur zero-one knapsack berbobot nilai, yang dikomhinasikan dengan formulasi penganggaran beljenjang yang diskalakan secara presisi serta kendala ketat penutupan dependensi transitif. Evaluasi dilakukan pada klaster bare-metal menggunakan korpus empiris yang terdiri atas 200 aplikasi machine learning dari tahun 2022 hingga 2026. AFB­ RCL dianalisis pada skenario keseluruhan, pelatihan, dan data uji terpisah dengan batasan kapasitas penyimpanan registri maksimum yang dialokasikan secara tegas antara 0,3% hingga 0,5% dari total working set size yang tidak terkompresi. Hasil eksperimen menunjukkan bahwa AFB-RCL mampu mencapai penurunan median latensi cold-start yang stabil sebesar 80% hingga 85% dibandingkan dengan baseline Bespoke tanpa batasan, dengan meminimalkan proses kompilasi just-in-time dari jalur kritis eksekusi. Dalam kondisi node dengan warm cache, cabang-cabang hasil sintesis tersebut mampu memenuhi batas ketat 1atensi ekor P95 yang sama dengan katalog statis yang dikurasi secara manual, dengan waktu inisialisasi se1esai dalam 44,0 detik. Secara bersamaan, kerangka kerja ini berhasil mengompresi himpunan kerja ko1ektif yang sangat besar, yaitu 1.099 GiB, menjadijejak penyimpanan fisik hanya sebesar 3,22 GiB hingga 5,21 GiB. Dengan demikian, AFB meminimalkan kompromi antara 1atensi cold-start dan uverhead penyimpanan registri tanpa mernerlukan intervensi manusia.