論文の概要: Pricing4APIs: A Rigorous Model for RESTful API Pricings
- arxiv url: http://arxiv.org/abs/2311.12485v1
- Date: Tue, 21 Nov 2023 09:57:26 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-23 01:20:57.136839
- Title: Pricing4APIs: A Rigorous Model for RESTful API Pricings
- Title(参考訳): Pricing4APIs: RESTful API価格の厳格なモデル
- Authors: Rafael Fresno-Aranda, Pablo Fernandez, Antonio Gamez-Diaz, Amador
Duran, Antonio Ruiz-Cortes
- Abstract要約: OpenAPI Specification(OAS)はAPIの機能部分をモデル化するために登場し、事実上の業界標準となった。
APIの価格をモデル化する提案はなく、この欠如により、この情報を活用するツールの開発が妨げられている。
a)API価格の包括的かつ厳密なモデルであるPricecing4APIsモデルと,OASを拡張したシリアライゼーションSLA4OAI,(b)API価格の記述を検証するためのツールセット(sla4oai-analyzer)を備えた,価格モデリングフレームワークを提案する。
- 参考スコア(独自算出の注目度): 0.18472148461613158
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: APIs are increasingly becoming new business assets for organizations and
consequently, API functionality and its pricing should be precisely defined for
customers. Pricing is typically composed by different plans that specify a
range of limitations, e.g., a Free plan allows 100 monthly requests while a
Gold plan has 10000 requests per month. In this context, the OpenAPI
Specification (OAS) has emerged to model the functional part of an API,
becoming a de facto industry standard and boosting a rich ecosystem of
vendor-neutral tools to assist API providers and consumers. In contrast, there
is no proposal for modeling API pricings (i.e. their plans and limitations) and
this lack hinders the creation of tools that can leverage this information. To
deal with this gap, this paper presents a pricing modeling framework that
includes: (a) Pricing4APIs model, a comprehensive and rigorous model of API
pricings, along SLA4OAI, a serialization that extends OAS; (b) an operation to
validate the description of API pricings, with a toolset (sla4oai-analyzer)
that has been developed to automate this operation. Additionally, we analyzed
268 real-world APIs to assess the expressiveness of our proposal and created a
representative dataset of 54 pricing models to validate our framework.
- Abstract(参考訳): APIは組織の新たなビジネス資産になりつつあり、その結果、API機能とその価格が顧客に正確に定義されるべきである。
例えば、フリープランは100ヶ月のリクエストを許可し、ゴールドプランは1ヶ月に10000のリクエストを持つ。
この文脈において、OpenAPI Specification(OAS)はAPIの機能的な部分をモデル化し、デファクト業界標準となり、APIプロバイダやコンシューマを支援するためのベンダ中立ツールのエコシステムを充実させています。
対照的に、API価格(すなわち、その計画と制限)をモデル化する提案はなく、この不足は、この情報を活用するツールの作成を妨げる。
このギャップに対処するために,本稿では価格モデリングフレームワークを提案する。
(a)API価格の包括的かつ厳密なモデルであるPricecing4APIsモデルと、OASを拡張するシリアライゼーションであるSLA4OAI
b) この操作を自動化するために開発されたツールセット(sla4oai-analyzer)を用いて,API価格の記述を検証する操作。
さらに,提案の表現力を評価するために268個の実世界のapiを分析し,54種類の価格モデルの代表的なデータセットを作成した。
関連論文リスト
- Octopus: On-device language model for function calling of software APIs [9.78611123915888]
大きな言語モデル(LLM)は、高度なテキスト処理と生成能力のために重要な役割を果たす。
本研究は,ソフトウェアAPIの起動において,デバイス上でのLCMを活用するための新たな戦略を提案する。
論文 参考訳(メタデータ) (2024-04-02T01:29:28Z) - SpeCrawler: Generating OpenAPI Specifications from API Documentation
Using Large Language Models [8.372941103284774]
SpeCrawlerは、さまざまなAPIドキュメントからOpenAPI仕様を生成する包括的なシステムである。
本稿では,実証的証拠とケーススタディに支えられたSpeCrawlerの方法論について考察する。
論文 参考訳(メタデータ) (2024-02-18T15:33:24Z) - Leveraging Large Language Models to Improve REST API Testing [51.284096009803406]
RESTGPTはAPI仕様を入力として、機械解釈可能なルールを抽出し、仕様内の自然言語記述からサンプルパラメータ値を生成する。
評価の結果、RESTGPTはルール抽出と値生成の両方において既存の技術よりも優れています。
論文 参考訳(メタデータ) (2023-12-01T19:53:23Z) - Summary Reports Optimization in the Privacy Sandbox Attribution Reporting API [51.00674811394867]
Attribution Reporting APIは、Google Chromeがアトリビューションレポートの基本的な広告機能をサポートするためにデプロイしたものだ。
本稿では,API からの要約報告に対して,コントリビューション予算の配分を最適化する手法を提案する。
論文 参考訳(メタデータ) (2023-11-22T18:45:20Z) - Exploring Behaviours of RESTful APIs in an Industrial Setting [0.43012765978447565]
これらのAPIが示す振る舞いの例を生成するために,REST APIに共通する一連の動作特性を提案する。
これらの例は、APIの理解を深めるために(i)、自動テストケースのソースとして(ii)の両方に使用することができます。
提案手法は,システム理解と実践者によるテスト生成の源泉として考えられる例を生成することができる。
論文 参考訳(メタデータ) (2023-10-26T11:33:11Z) - APICom: Automatic API Completion via Prompt Learning and Adversarial
Training-based Data Augmentation [6.029137544885093]
APIレコメンデーションは、開発者が多数の候補APIの中で必要なAPIを見つけるのを支援するプロセスである。
これまでの研究では、主にAPIレコメンデーションをレコメンデーションタスクとしてモデル化していた。
ニューラルネットワーク翻訳研究領域に動機づけられたこの問題を生成タスクとしてモデル化することができる。
提案手法は,プロンプト学習に基づく新しいアプローチAPIComを提案し,そのプロンプトに応じてクエリに関連するAPIを生成する。
論文 参考訳(メタデータ) (2023-09-13T15:31:50Z) - Adaptive REST API Testing with Reinforcement Learning [54.68542517176757]
現在のテストツールは効率的な探索機構がなく、全ての操作とパラメータを等しく扱う。
現在のツールは、仕様にレスポンススキーマがない場合や、変種を示す場合に苦労している。
我々は、強化学習を取り入れた適応型REST APIテスト手法を提案し、探索中の操作を優先順位付けする。
論文 参考訳(メタデータ) (2023-09-08T20:27:05Z) - Continual Learning From a Stream of APIs [90.41825351073908]
継続学習(CL)は、以前のタスクを忘れずに新しいタスクを学習することを目的としている。
既存のCLメソッドは大量の生データを必要とするが、著作権上の考慮とプライバシー上のリスクのために利用できないことが多い。
本稿では,データ効率CL (DECL-APIs) とデータフリーCL (DFCL-APIs) の2つの実践的yet-novel CL設定について考察する。
論文 参考訳(メタデータ) (2023-08-31T11:16:00Z) - Do All Languages Cost the Same? Tokenization in the Era of Commercial
Language Models [68.29126169579132]
APIベンダは、使用量に基づいてユーザを課金する。具体的には、基盤となる言語モデルによって処理されたトークンの数や生成されるトークンの数に基づいて。
しかし、トークンを構成するのは、異なる言語で同じ情報を伝達するのに必要なトークンの数に大きなばらつきに依存するトレーニングデータとモデルである。
我々は, OpenAI の言語モデル API のコストと有用性について,22言語で多言語ベンチマークを行った。
論文 参考訳(メタデータ) (2023-05-23T05:46:45Z) - Petals: Collaborative Inference and Fine-tuning of Large Models [78.37798144357977]
多くのNLPタスクは、1000億以上のパラメータを持つ大きな言語モデル(LLM)を使用することで恩恵を受ける。
BLOOM-176BとOPT-175Bのリリースにより、誰もがこのスケールで事前訓練されたモデルをダウンロードできる。
我々は,大規模モデルの推測と微調整を協調的に行うシステムとして,Petals $-$を提案する。
論文 参考訳(メタデータ) (2022-09-02T17:38:03Z)
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。