論文の概要: FIXME: Enhance Software Reliability with Hybrid Approaches in Cloud
- arxiv url: http://arxiv.org/abs/2102.09336v1
- Date: Wed, 17 Feb 2021 02:34:26 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 14:15:30.144351
- Title: FIXME: Enhance Software Reliability with Hybrid Approaches in Cloud
- Title（参考訳）: FIXME:クラウドでのハイブリッドアプローチによるソフトウェア信頼性の向上
- Authors: Jinho Hwang, Larisa Shwartz, Qing Wang, Raghav Batta, Harshit Kumar,
Michael Nidd
- Abstract要約: 企業のハイブリッド診断アプローチでソフトウェア信頼性を高めるFIXMEをご紹介します。
以上の結果から,ハイブリッド診断手法は精度が約17%向上した。
- 参考スコア（独自算出の注目度）: 4.160063446731227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the promise of reliability in cloud, more enterprises are migrating to
cloud. The process of continuous integration/deployment (CICD) in cloud
connects developers who need to deliver value faster and more transparently
with site reliability engineers (SREs) who need to manage applications
reliably. SREs feed back development issues to developers, and developers
commit fixes and trigger CICD to redeploy. The release cycle is more continuous
than ever, thus the code to production is faster and more automated. To provide
this higher level agility, the cloud platforms become more complex in the face
of flexibility with deeper layers of virtualization. However, reliability does
not come for free with all these complexities. Software engineers and SREs need
to deal with wider information spectrum from virtualized layers. Therefore,
providing correlated information with true positive evidences is critical to
identify the root cause of issues quickly in order to reduce mean time to
recover (MTTR), performance metrics for SREs. Similarity, knowledge, or
statistics driven approaches have been effective, but with increasing data
volume and types, an individual approach is limited to correlate semantic
relations of different data sources. In this paper, we introduce FIXME to
enhance software reliability with hybrid diagnosis approaches for enterprises.
Our evaluation results show using hybrid diagnosis approach is about 17% better
in precision. The results are helpful for both practitioners and researchers to
develop hybrid diagnosis in the highly dynamic cloud environment.
- Abstract（参考訳）: クラウドでの信頼性の約束により、より多くの企業がクラウドに移行する。
クラウドにおける継続的インテグレーション/デプロイ(CICD)のプロセスは、アプリケーションを確実に管理する必要があるサイト信頼性エンジニア(SRE)と、より速く、より透過的に価値を提供する必要がある開発者をつなぐ。
SREは開発者に開発問題をフィードバックし、開発者は修正をコミットしてCICDを再デプロイする。
リリースサイクルはこれまで以上に継続的であるため、本番環境へのコードはより高速で自動化されます。
この高いレベルのアジリティを提供するために、クラウドプラットフォームは、仮想化のより深い層で柔軟性に直面してより複雑になります。
しかし、これらすべての複雑さで信頼性は無料ではありません。
ソフトウェアエンジニアとSREは仮想化レイヤから幅広い情報スペクトルを扱う必要があります。
したがって、SREのパフォーマンス指標である平均回復時間(MTTR)を減らすために、真の正の証拠と相関した情報を提供することは、問題の根本原因を迅速に特定することが重要である。
類似性、知識、統計に基づくアプローチは有効であるが、データ量や型の増加に伴い、個々のアプローチは異なるデータソースのセマンティック関係の相関に限られている。
本稿では,企業におけるハイブリッド診断手法によるソフトウェア信頼性向上のためのFIXMEを提案する。
以上の結果から,ハイブリッド診断手法は精度が約17%向上した。
この結果は,高ダイナミックなクラウド環境においてハイブリッド診断を開発する実践者および研究者の双方にとって有用である。
関連論文リスト
- Advancing Software Security and Reliability in Cloud Platforms through AI-based Anomaly Detection [0.5599792629509228]
この研究は、AIサポートによる異常検出を実装することにより、CI/CDパイプラインのセキュリティを向上させることを目的としている。
目標は、パイプラインとクラウドプラットフォームのネットワークトラフィックパターンから、異常な振る舞いやバリエーションを特定することだ。
コンボリューションニューラルネットワーク(CNN)とLong Short-Term Memory(LSTM)を組み合わせて,異常なトラフィックパターンを検出する。
論文 参考訳（メタデータ） (2024-11-14T05:45:55Z) - Agent-Driven Automatic Software Improvement [55.2480439325792]
本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。
継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。
我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
論文 参考訳（メタデータ） (2024-06-24T15:45:22Z) - LAECIPS: Large Vision Model Assisted Adaptive Edge-Cloud Collaboration for IoT-based Perception System [24.84622024011103]
大規模モデルの共同推論によるエッジクラウドのコラボレーションは、高い推論精度と低レイテンシを実現するための有望なアプローチを提供する。
既存のエッジクラウドコラボレーションメソッドはモデルアーキテクチャと密結合されており、異種IoT環境での動的データドリフトに適応できない。
LAECIPSでは、クラウド上の大きなビジョンモデルとエッジ上の軽量モデルの両方がプラグアンドプレイである。我々は、高い精度と低レイテンシの両方に最適化されたハードインプットマイニングに基づくエッジクラウドコラボレーション戦略を設計する。
論文 参考訳（メタデータ） (2024-04-16T12:12:06Z) - Unlocking the Potential of Federated Learning: The Symphony of Dataset
Distillation via Deep Generative Latents [43.282328554697564]
本稿ではサーバ側のFLデータセット蒸留フレームワークを提案する。
従来の手法とは異なり,サーバは事前学習した深層生成モデルから事前知識を活用できる。
我々のフレームワークは、サーバが複数の異種データ分散を訓練するのではなく、マルチモーダル分布を訓練するため、ベースラインよりも早く収束する。
論文 参考訳（メタデータ） (2023-12-03T23:30:48Z) - HFedMS: Heterogeneous Federated Learning with Memorable Data Semantics
in Industrial Metaverse [49.1501082763252]
本稿では,新しい産業メタバースに実用FLを取り入れたHFEDMSを提案する。
動的グルーピングとトレーニングモード変換によってデータの均一性を低下させる。
そして、圧縮された履歴データセマンティクスを融合することで、忘れられた知識を補う。
ストリームされた非I.d.FEMNISTデータセットに対して,368個のシミュレーションデバイスを用いて実験を行った。
論文 参考訳（メタデータ） (2022-11-07T04:33:24Z) - Distributed intelligence on the Edge-to-Cloud Continuum: A systematic
literature review [62.997667081978825]
このレビューは、現在利用可能な機械学習とデータ分析のための最先端ライブラリとフレームワークに関する包括的なビジョンを提供することを目的としている。
現在利用可能なEdge-to-Cloud Continuumに関する実験的な研究のための、主要なシミュレーション、エミュレーション、デプロイメントシステム、テストベッドも調査されている。
論文 参考訳（メタデータ） (2022-04-29T08:06:05Z) - VELVET: a noVel Ensemble Learning approach to automatically locate
VulnErable sTatements [62.93814803258067]
本稿では,ソースコード中の脆弱な文を見つけるための新しいアンサンブル学習手法であるVELVETを提案する。
我々のモデルは、グラフベースとシーケンスベースニューラルネットワークを組み合わせて、プログラムグラフの局所的およびグローバル的コンテキストを捕捉する。
VELVETは、合成データと実世界のデータに対して、それぞれ99.6%と43.6%の精度を達成している。
論文 参考訳（メタデータ） (2021-12-20T22:45:27Z) - CloudRCA: A Root Cause Analysis Framework for Cloud Computing Platforms [10.385807432472854]
CloudRCAと呼ばれる根本原因分析フレームワークを提案する。
キーパフォーマンス指標(KPI)、ログ、トポロジなどの異種マルチソースデータを使用し、重要な特徴を抽出する。
f1スコアの既存のアプローチを、さまざまなクラウドシステムで一貫して上回ります。
論文 参考訳（メタデータ） (2021-11-05T23:03:21Z) - Auto-Split: A General Framework of Collaborative Edge-Cloud AI [49.750972428032355]
本稿では,Huawei Cloudのエッジクラウド共同プロトタイプであるAuto-Splitの技法と技術実践について述べる。
私たちの知る限りでは、Deep Neural Network(DNN)分割機能を提供する既存の産業製品はありません。
論文 参考訳（メタデータ） (2021-08-30T08:03:29Z) - Reproducible Performance Optimization of Complex Applications on the
Edge-to-Cloud Continuum [55.6313942302582]
エッジ・ツー・クラウド・コンティニュム上でのリアルタイムアプリケーションの最適化を支援する手法を提案する。
提案手法は, 制御されたテストベッド環境において, その動作を理解するための厳密な構成解析に頼っている。
当社の方法論はEdge-to-Cloud Continuumの他のアプリケーションに一般化することができる。
論文 参考訳（メタデータ） (2021-08-04T07:35:14Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。