論文の概要: CloudScent: a model for code smell analysis in open-source cloud
- arxiv url: http://arxiv.org/abs/2307.12146v1
- Date: Sat, 22 Jul 2023 19:01:38 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-23 16:29:48.412149
- Title: CloudScent: a model for code smell analysis in open-source cloud
- Title（参考訳）: cloudcent: オープンソースのクラウドにおけるコード臭い分析モデル
- Authors: Raj Narendra Shah, Sameer Ahmed Mohamed, Asif Imran, Tevfik Kosar
- Abstract要約: オープンソースクラウドの匂いを検出するためのオープンソースメカニズムであるCloudScentを提案する。
その結果、CloudScentはクラウド内の8つのコードの臭いを正確に検出できることがわかった。
- 参考スコア（独自算出の注目度）: 2.990411348977783
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The low cost and rapid provisioning capabilities have made open-source cloud
a desirable platform to launch industrial applications. However, as open-source
cloud moves towards maturity, it still suffers from quality issues like code
smells. Although, a great emphasis has been provided on the economic benefits
of deploying open-source cloud, low importance has been provided to improve the
quality of the source code of the cloud itself to ensure its maintainability in
the industrial scenario. Code refactoring has been associated with improving
the maintenance and understanding of software code by removing code smells.
However, analyzing what smells are more prevalent in cloud environment and
designing a tool to define and detect those smells require further attention.
In this paper, we propose a model called CloudScent which is an open source
mechanism to detect smells in open-source cloud. We test our experiments in a
real-life cloud environment using OpenStack. Results show that CloudScent is
capable of accurately detecting 8 code smells in cloud. This will permit cloud
service providers with advanced knowledge about the smells prevalent in
open-source cloud platform, thus allowing for timely code refactoring and
improving code quality of the cloud platforms.
- Abstract（参考訳）: 低コストで迅速なプロビジョニング機能により、オープンソースクラウドは産業用アプリケーションをローンチするのに望ましいプラットフォームになった。
しかし、オープンソースクラウドは成熟に向かっているため、コード臭いのような品質の問題に苦しんでいる。
オープンソースクラウドの展開による経済的利益に大きな重点が置かれているが、その産業シナリオにおける保守性を確保するために、クラウド自体のソースコードの品質を向上させることの重要性は低い。
コードリファクタリングは、コードの臭いを取り除くことによって、ソフトウェアコードのメンテナンスと理解を改善することに関連付けられている。
しかしながら、クラウド環境においてより一般的な匂いを分析し、それらの匂いを定義し検出するためのツールを設計するには、さらなる注意が必要である。
本稿では,オープンソースクラウドにおける臭気を検出するオープンソースメカニズムであるcloudscentを提案する。
私たちはOpenStackを使って実生活のクラウド環境で実験を行ないました。
その結果、CloudScentはクラウド内の8つのコードの臭いを正確に検出できることがわかった。
これにより、クラウドサービスプロバイダは、オープンソースクラウドプラットフォームで一般的な臭いに関する高度な知識を持つことができ、タイムリーなリファクタリングとクラウドプラットフォームのコード品質の向上が可能になる。
関連論文リスト
- IDF-CR: Iterative Diffusion Process for Divide-and-Conquer Cloud Removal in Remote-sensing Images [55.40601468843028]
雲除去のための反復拡散過程(IDF-CR)を提案する。
IDF-CRは、ピクセル空間と潜在空間に対処する2段階のモデルに分けられる。
潜時空間の段階では、拡散モデルは低品質の雲の除去を高品質のクリーンな出力に変換する。
論文 参考訳（メタデータ） (2024-03-18T15:23:48Z) - A Review on Searchable Encryption Functionality and the Evaluation of Homomorphic Encryption [0.0]
NetflixやPayPalのような企業は、データストレージ、コンピューティングパワー、その他のサービスにCloudを頼っている。
クラウドにはセキュリティとプライバシに関する懸念がある。
クラウド内のデータを保護するためには、アップロードする前に暗号化する必要がある。
本稿は、2019年から2023年までのクラウドサービスに関連するサーチブル暗号化の機能についてレビューする。
論文 参考訳（メタデータ） (2023-12-22T04:48:00Z) - URegM: a unified prediction model of resource consumption for
refactoring software smells in open source cloud [3.9704849108478704]
我々は、コードの臭いがクラウドリソースの利用に与える影響を予測する、Unified Regression Modelling (URegM) というフレームワークを提案する。
その結果,URegMはコードの臭いによる資源消費を正確に予測できることがわかった。
論文 参考訳（メタデータ） (2023-10-22T23:03:35Z) - Scaling Data Science Solutions with Semantics and Machine Learning:
Bosch Case [8.445414390004636]
SemCloudはセマンティックスに強化されたクラウドシステムで、セマンティック技術と機械学習を備えている。
このシステムは、何百万ものデータ、何千もの繰り返し実行、ドメインユーザによる産業ユースケースで評価され、有望な結果を示している。
論文 参考訳（メタデータ） (2023-08-02T11:58:30Z) - Managing Cold-start in The Serverless Cloud with Temporal Convolutional
Networks [0.0]
サーバレスクラウドは革新的なクラウドサービスモデルであり、多くのクラウド管理業務から顧客を解放します。
サーバーレスクラウドのパフォーマンスに対する大きな脅威はコールドスタートであり、顧客の要求に応えるために必要なクラウドリソースをプロビジョニングするとき、サービスプロバイダや/または顧客に受け入れられないコストが発生する。
本稿では、サーバーレスクラウドスタックのインフラストラクチャおよびファンクションレベルにおけるコールドスタート問題に対処する、新しい低結合・高結合アンサンブルポリシーを提案する。
論文 参考訳（メタデータ） (2023-04-01T21:54:22Z) - PointCaM: Cut-and-Mix for Open-Set Point Cloud Learning [72.07350827773442]
我々は,新しいポイントカット・アンド・ミクス機構を用いて,オープンセットのクラウド学習を解決することを提案する。
トレーニング段階では,Unknown-Point Simulatorを用いてアウト・オブ・ディストリビューションデータをシミュレートする。
Unknown-Point Estimatorモジュールは、既知のデータを識別するために、ポイントクラウドの機能コンテキストを活用することを学ぶ。
論文 参考訳（メタデータ） (2022-12-05T03:53:51Z) - CWD: A Machine Learning based Approach to Detect Unknown Cloud Workloads [3.523208537466129]
我々は、クラウド環境で実行されるワークロードを特徴付け、プロファイルし、予測する機械学習ベースの技術を開発した。
また,モデルの性能をスタンドアローンで解析する手法も開発している。
論文 参考訳（メタデータ） (2022-11-28T19:41:56Z) - Device-Cloud Collaborative Recommendation via Meta Controller [65.97416287295152]
オンデバイスレコメンデータとクラウドベースのレコメンデータの協調を動的に管理するメタコントローラを提案する。
対策サンプルと拡張トレーニングに基づいて,産業レコメンデーションシナリオにおける広範な実験は,メタコントローラの可能性を示唆している。
論文 参考訳（メタデータ） (2022-07-07T03:23:04Z) - Unsupervised Point Cloud Representation Learning with Deep Neural
Networks: A Survey [104.71816962689296]
大規模クラウドラベリングの制約により,教師なしのポイントクラウド表現学習が注目されている。
本稿では、ディープニューラルネットワークを用いた教師なしポイントクラウド表現学習の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-28T07:46:05Z) - 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) - PoinTr: Diverse Point Cloud Completion with Geometry-Aware Transformers [81.71904691925428]
本稿では,ポイントクラウドの完了をセット・ツー・セットの翻訳問題として再定義する手法を提案する。
我々はまた、ポイントクラウド補完のためにトランスフォーマーエンコーダデコーダアーキテクチャを採用するPoinTrと呼ばれる新しいモデルも設計している。
提案手法は,新しいベンチマークと既存ベンチマークの両方において,最先端の手法よりも優れた性能を示す。
論文 参考訳（メタデータ） (2021-08-19T17:58:56Z)
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。