論文の概要: MicroRes: Versatile Resilience Profiling in Microservices via Degradation Dissemination Indexing
- arxiv url: http://arxiv.org/abs/2212.12850v3
- Date: Thu, 21 Mar 2024 04:12:43 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-22 20:49:10.211155
- Title: MicroRes: Versatile Resilience Profiling in Microservices via Degradation Dissemination Indexing
- Title（参考訳）: MicroRes: Degradation Dissemination IndexingによるマイクロサービスのVersatile Resilience Profiling
- Authors: Tianyi Yang, Cheryl Lee, Jiacheng Shen, Yuxin Su, Yongqiang Yang, Michael R. Lyu,
- Abstract要約: マイクロサービスのレジリエンス — 障害から回復し、信頼性と応答性を備えたサービスを提供し続ける能力 — は、クラウドベンダにとって極めて重要です。
現在のプラクティスは、特定のマイクロサービスシステムに手動で設定された特定のルールに依存しており、結果として労働強度と柔軟性の問題が発生します。
私たちの洞察では、レジリエントなデプロイメントは、システムパフォーマンスからユーザ対応メトリクスへの劣化の拡散を効果的に防ぎ、後者はサービス品質に影響を与えます。
- 参考スコア（独自算出の注目度）: 29.456286275972474
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Microservice resilience, the ability of microservices to recover from failures and continue providing reliable and responsive services, is crucial for cloud vendors. However, the current practice relies on manually configured rules specific to a certain microservice system, resulting in labor-intensity and flexibility issues, given the large scale and high dynamics of microservices. A more labor-efficient and versatile solution is desired. Our insight is that resilient deployment can effectively prevent the dissemination of degradation from system performance metrics to user-aware metrics, and the latter directly affects service quality. In other words, failures in a non-resilient deployment can impact both types of metrics, leading to user dissatisfaction. With this in mind, we propose MicroRes, the first versatile resilience profiling framework for microservices via degradation dissemination indexing. MicroRes first injects failures into microservices and collects available monitoring metrics. Then, it ranks the metrics according to their contributions to the overall service degradation. It produces a resilience index by how much the degradation is disseminated from system performance metrics to user-aware metrics. Higher degradation dissemination indicates lower resilience. We evaluate MicroRes on two open-source and one industrial microservice system. The experiments show MicroRes' efficient and effective resilience profiling of microservices. We also showcase MicroRes' practical usage in production.
- Abstract（参考訳）: マイクロサービスのレジリエンス — 障害から回復し、信頼性と応答性を備えたサービスの提供を継続する能力 — は、クラウドベンダにとって極めて重要です。
しかしながら、現在のプラクティスは、特定のマイクロサービスシステムに特有の手動で設定されたルールに依存しているため、マイクロサービスの大規模かつ高ダイナミック性を考えれば、労働インテンシティと柔軟性の問題が発生します。
より労働効率が高く、多目的なソリューションが望まれます。
私たちの洞察では、レジリエントなデプロイメントは、システムパフォーマンスメトリクスからユーザ対応メトリクスへの劣化を効果的に防止し、後者はサービス品質に直接影響を与えます。
言い換えれば、非レジリエントなデプロイメントにおける障害は、両方のタイプのメトリクスに影響し、ユーザの不満を招きます。
このことを念頭に置いて、分解拡散インデックスによるマイクロサービスのための初の汎用レジリエンスプロファイリングフレームワークであるMicroResを提案する。
MicroRes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。
そして、全体的なサービス劣化へのコントリビューションに応じてメトリクスをランク付けします。
システムパフォーマンスのメトリクスからユーザ対応のメトリクスまで、どの程度の劣化が分散しているかによって、レジリエンスの指標を生成する。
高い劣化拡散は、レジリエンスの低下を示す。
2つのオープンソースと1つの産業用マイクロサービスシステム上でMicroResを評価する。
実験では、マイクロサービスの効率よく効果的なレジリエンスプロファイリングが示されている。
MicroResの実用的利用についても紹介する。
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。