論文の概要: REST: An Adaptive Resilience Testing Framework for Microservice Systems
- arxiv url: http://arxiv.org/abs/2212.12850v2
- Date: Mon, 10 Jul 2023 06:41:46 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-24 13:46:53.297761
- Title: REST: An Adaptive Resilience Testing Framework for Microservice Systems
- Title（参考訳）: REST: マイクロサービスシステムのための適応型レジリエンステストフレームワーク
- Authors: Tianyi Yang, Cheryl Lee, Jiacheng Shen, Yuxin Su, Yongqiang Yang, and
Michael R. Lyu
- Abstract要約: レジリエンステストの現在のプラクティスは、さまざまなマイクロサービスシステムのルールを手動で定義することに依存しています。
AVERTは、システムのパフォーマンス指標の劣化が、ビジネス遅延の悪化にどの程度寄与するかによって、レジリエンス指数を生成する。
実験の結果、AVERTはマイクロサービスシステムのレジリエンスを正確かつ効率的にテストできることがわかった。
- 参考スコア（独自算出の注目度）: 29.456286275972474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Resilience testing, which measures the ability to minimize service
degradation caused by unexpected failures, is crucial for microservice systems.
The current practice for resilience testing relies on manually defining rules
for different microservice systems. Due to the diverse business logic of
microservices, there are no one-size-fits-all microservice resilience testing
rules. As the quantity and dynamic of microservices and failures largely
increase, manual configuration exhibits its scalability and adaptivity issues.
To overcome the two issues, we empirically compare the impacts of common
failures in the resilient and unresilient deployments of a benchmark
microservice system. Our study demonstrates that the resilient deployment can
block the propagation of degradation from system performance metrics (e.g.,
memory usage) to business metrics (e.g., response latency). In this paper, we
propose AVERT, the first AdaptiVE Resilience Testing framework for microservice
systems. AVERT first injects failures into microservices and collects available
monitoring metrics. Then AVERT ranks all the monitoring metrics according to
their contributions to the overall service degradation caused by the injected
failures. Lastly, AVERT produces a resilience index by how much the degradation
in system performance metrics propagates to the degradation in business
metrics. The higher the degradation propagation, the lower the resilience of
the microservice system. We evaluate AVERT on two open-source benchmark
microservice systems. The experimental results show that AVERT can accurately
and efficiently test the resilience of microservice systems.
- Abstract（参考訳）: 予期せぬ障害によるサービス劣化を最小限に抑える能力を測定するレジリエンステストは、マイクロサービスシステムにとって極めて重要です。
現在のレジリエンステストのプラクティスは、さまざまなマイクロサービスシステムのルールを手動で定義することに依存している。
マイクロサービスのビジネスロジックが多様であるため、すべてのマイクロサービスレジリエンステストルールに適合するものはありません。
マイクロサービスと障害の量とダイナミクスが大きく増加するにつれて、手動構成はスケーラビリティと適応性の問題を示す。
この2つの問題を克服するために、ベンチマークマイクロサービスシステムのレジリエントで非レジリエントなデプロイメントにおける一般的な障害の影響を実証的に比較します。
本研究では,レジリエントなデプロイメントによって,システムパフォーマンス指標(メモリ使用量など)からビジネスメトリクス(応答レイテンシなど)への分解の伝播を阻害できることを実証する。
本稿では,マイクロサービスシステムのための最初のAdaptiVEレジリエンステストフレームワークであるAVERTを提案する。
AVERTはまず、マイクロサービスに障害を注入し、利用可能な監視メトリクスを収集します。
次に、AVERTは、注入された障害によるサービス全体の劣化に対する貢献に応じて、すべての監視メトリクスをランク付けします。
最後に、avertは、システムパフォーマンスメトリクスの劣化がビジネスメトリクスの低下にどの程度伝播するかによって、レジリエンスインデックスを生成します。
分解伝播が高ければ高いほど、マイクロサービスシステムのレジリエンスは低下する。
AVERTを2つのオープンソースのベンチマークマイクロサービスシステムで評価する。
実験の結果,avertはマイクロサービスシステムのレジリエンスを正確かつ効率的にテストできることがわかった。
関連論文リスト
- AutoPT: How Far Are We from the End2End Automated Web Penetration Testing? [54.65079443902714]
LLMによって駆動されるPSMの原理に基づく自動浸透試験エージェントであるAutoPTを紹介する。
以上の結果から, AutoPT は GPT-4o ミニモデル上でのベースラインフレームワーク ReAct よりも優れていた。
論文 参考訳（メタデータ） (2024-11-02T13:24:30Z) - Adaptive Temporal Motion Guided Graph Convolution Network for Micro-expression Recognition [48.21696443824074]
ATM-GCN(Adaptive Temporal Motion Guided Graph Convolution Network)と呼ばれる,マイクロ圧縮認識のための新しいフレームワークを提案する。
本フレームワークは,クリップ全体のフレーム間の時間的依存関係の把握に優れ,クリップレベルでのマイクロ圧縮認識が向上する。
論文 参考訳（メタデータ） (2024-06-13T10:57:24Z) - Benchmarking Data Management Systems for Microservices [1.9948490148513414]
マイクロサービスアーキテクチャは、大規模なデータ集約型アプリケーションをデプロイするための一般的な選択肢である。
既存のマイクロサービスベンチマークには、データ管理の課題が欠如している。
Online Marketplaceは、コアデータ管理要件を受け入れる新しいベンチマークである。
論文 参考訳（メタデータ） (2024-05-19T11:55:45Z) - Digital Twin-assisted Reinforcement Learning for Resource-aware
Microservice Offloading in Edge Computing [12.972771759204264]
本稿では,深部強化学習(DRL)とディジタルツイン技術を活用した新しいマイクロサービスオフロードアルゴリズムDTDRLMOを紹介する。
具体的には、協調エッジコンピューティングのエッジノード負荷の変化とネットワーク条件をリアルタイムに予測し、適応するためにデジタルツイン技術を用いる。
このアプローチは効率的なオフロード計画の生成を可能にし、各マイクロサービスに最適なエッジノードを選択する。
論文 参考訳（メタデータ） (2024-03-13T16:44:36Z) - Benchmarks for End-to-End Microservices Testing [2.6245844272542027]
確立された2つのオープンソースのマイクロサービスシステムの完全な機能テストカバレッジを含むテストベンチマークを作成しました。
また、テストの全カバレッジを検証するための最善のアプローチを特定するためのケーススタディも実施しました。
論文 参考訳（メタデータ） (2023-06-09T13:42:53Z) - Reclaimer: A Reinforcement Learning Approach to Dynamic Resource
Allocation for Cloud Microservices [4.397680391942813]
要件を満たしながらCPUコアの割り当てを最小限に抑えるため,実行時の変更数や動作の変化に適応するディープラーニングモデルであるReclaimerを導入する。
2つのマイクロサービスベースのアプリケーションで評価すると、Reclaimerは業界標準のスケーリングソリューションと比較してCPUコアの割り当てを38.4%から74.4%に削減する。
論文 参考訳（メタデータ） (2023-04-17T01:44:05Z) - Research on Efficiency Analysis of Microservices [0.0]
本研究では,従来の大規模サービスをnに分割した場合の効率差を分析するために,待ち行列モデルに基づく効率解析フレームワークを提案する。
複数のサービスに分割することで、システム効率が効果的に向上し、大規模サービスの時間が複数に均等に分散されている場合、最高の改善効果が達成できることを示した。
論文 参考訳（メタデータ） (2023-03-21T02:00:28Z) - RelaxLoss: Defending Membership Inference Attacks without Losing Utility [68.48117818874155]
より達成可能な学習目標を持つ緩和された損失に基づく新しい学習フレームワークを提案する。
RelaxLossは、簡単な実装と無視可能なオーバーヘッドのメリットを加えた任意の分類モデルに適用できる。
当社のアプローチはMIAに対するレジリエンスの観点から,常に最先端の防御機構より優れています。
論文 参考訳（メタデータ） (2022-07-12T19:34:47Z) - Efficient Micro-Structured Weight Unification and Pruning for Neural
Network Compression [56.83861738731913]
ディープニューラルネットワーク(DNN)モデルは、特にリソース制限されたデバイスにおいて、実用的なアプリケーションに不可欠である。
既往の非構造的あるいは構造化された重量刈り法は、推論を真に加速することはほとんど不可能である。
ハードウェア互換のマイクロ構造レベルでの一般化された重み統一フレームワークを提案し,高い圧縮と加速度を実現する。
論文 参考訳（メタデータ） (2021-06-15T17:22:59Z) - ReMP: Rectified Metric Propagation for Few-Shot Learning [67.96021109377809]
修正されたメートル法空間は、トレーニングからテストまでのメートル法一貫性を維持するために学習される。
多くの分析結果から、目的の単純な修正がかなりの性能向上をもたらすことが示唆された。
提案したReMPは効率的で効率的であり、様々な標準的な数発の学習データセットで芸術の状態を上回ります。
論文 参考訳（メタデータ） (2020-12-02T00:07:53Z)
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。