論文の概要: A Microservices Identification Method Based on Spectral Clustering for
Industrial Legacy Systems
- arxiv url: http://arxiv.org/abs/2312.12819v1
- Date: Wed, 20 Dec 2023 07:47:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-21 16:25:57.366054
- Title: A Microservices Identification Method Based on Spectral Clustering for
Industrial Legacy Systems
- Title(参考訳): 産業レガシーシステムのためのスペクトルクラスタリングに基づくマイクロサービス同定法
- Authors: Teng Zhong, Yinglei Teng, Shijun Ma, Jiaxuan Chen, and Sicong Yu
- Abstract要約: 本稿では,スペクトルグラフ理論に基づくマイクロサービス候補抽出のための自動分解手法を提案する。
提案手法は,ドメインの専門家が関与しなくても,良好な結果が得られることを示す。
- 参考スコア(独自算出の注目度): 5.255685751491305
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The advent of Industrial Internet of Things (IIoT) has imposed more stringent
requirements on industrial software in terms of communication delay,
scalability, and maintainability. Microservice architecture (MSA), a novel
software architecture that has emerged from cloud computing and DevOps,
presents itself as the most promising solution due to its independently
deployable and loosely coupled nature. Currently, practitioners are inclined to
migrate industrial legacy systems to MSA, despite numerous challenges it
presents. In this paper, we propose an automated microservice decomposition
method for extracting microservice candidates based on spectral graph theory to
address the problems associated with manual extraction, which is
time-consuming, labor intensive, and highly subjective. The method is divided
into three steps. Firstly, static and dynamic analysis tools are employed to
extract dependency information of the legacy system. Subsequently, information
is transformed into a graph structure that captures inter-class structure and
performance relationships in legacy systems. Finally, graph-based clustering
algorithm is utilized to identify potential microservice candidates that
conform to the principles of high cohesion and low coupling. Comparative
experiments with state of-the-art methods demonstrate the significant
advantages of our proposed method in terms of performance metrics. Moreover,
Practice show that our method can yield favorable results even without the
involvement of domain experts.
- Abstract(参考訳): 産業用モノのインターネット(Industrial Internet of Things, IIoT)の出現は、通信遅延、スケーラビリティ、保守性の観点から、産業用ソフトウェアに厳しい要件を課している。
クラウドコンピューティングとDevOpsから生まれた新しいソフトウェアアーキテクチャであるマイクロサービスアーキテクチャ(MSA)は、独立してデプロイ可能で疎結合な性質のため、自身を最も有望なソリューションとして提示する。
現在、多くの課題があるにもかかわらず、実践者は産業遺産システムをMSAに移行する傾向にある。
本稿では, 時間的, 労働力的, 高主観的な手作業抽出に関わる問題に対処するため, スペクトルグラフ理論に基づくマイクロサービス候補の自動抽出手法を提案する。
方法は3つのステップに分けられる。
まず、静的および動的解析ツールを用いてレガシーシステムの依存性情報を抽出する。
その後、情報は、レガシーシステムにおけるクラス間構造とパフォーマンスの関係をキャプチャするグラフ構造に変換される。
最後に、グラフベースのクラスタリングアルゴリズムを使用して、高凝集と低結合の原理に従う潜在的なマイクロサービス候補を特定する。
state of the-art法との比較実験により,提案手法の重要な利点が評価された。
さらに,本手法はドメインエキスパートの関与なしにも良好な結果が得られることを示す。
関連論文リスト
- Migration to Microservices: A Comparative Study of Decomposition
Strategies and Analysis Metrics [0.5076419064097734]
本稿では,モノリシックアプリケーションにおけるポテンシャルを識別する新しいクラスタリング手法を提案する。
本手法では,クラス間の静的解析,構造,意味的関係を考慮した密度に基づくクラスタリングアルゴリズムを用いる。
論文 参考訳(メタデータ) (2024-02-13T14:15:00Z) - Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Machine Learning Insides OptVerse AI Solver: Design Principles and
Applications [74.67495900436728]
本稿では,Huawei CloudのOpsVerse AIソルバに機械学習(ML)技術を統合するための総合的研究について述べる。
本稿では,実世界の多面構造を反映した生成モデルを用いて,複雑なSATインスタンスとMILPインスタンスを生成する手法を紹介する。
本稿では,解解器性能を著しく向上させる,最先端パラメータチューニングアルゴリズムの導入について詳述する。
論文 参考訳(メタデータ) (2024-01-11T15:02:15Z) - Twin Graph-based Anomaly Detection via Attentive Multi-Modal Learning
for Microservice System [24.2074235652359]
我々は,マルチモーダル学習を通じて利用可能なすべてのデータモダリティをシームレスに統合するMSTGADを提案する。
本研究では,異なるモーダル間の相関関係をモデル化するために,空間的および時間的注意機構を備えたトランスフォーマーベースニューラルネットワークを構築した。
これにより、リアルタイムで自動的かつ正確に異常を検出することができる。
論文 参考訳(メタデータ) (2023-10-07T06:28:41Z) - Learning Prompt-Enhanced Context Features for Weakly-Supervised Video
Anomaly Detection [37.99031842449251]
弱い監督下での映像異常検出は重大な課題を呈する。
本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。
提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
論文 参考訳(メタデータ) (2023-06-26T06:45:16Z) - Process Modeling, Hidden Markov Models, and Non-negative Tensor
Factorization with Model Selection [0.15658704610960567]
プロセス監視は、ユーザーが産業プロセスにおける組織の関与を計測することを可能にする。
データ不足に対処するために、我々はそのプロセスに精通している課題の専門家(SME)の知識を活用する。
本稿では,理論的プロセスモデルと関連する最小隠れマルコフモデルを統合する,数学的に健全な新しい手法を提案する。
論文 参考訳(メタデータ) (2022-10-03T16:19:27Z) - Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for
Microservices using LSTM-GNN [4.4345763263216895]
Graph-PHPAは、クラウドリソースを割り当てるためのグラフベースのプロアクティブ自動スケーリング戦略である。
本稿では,ルールベースのリソース割り当て方式をベースラインとして,Graph-PHPAの有効性を実証する。
論文 参考訳(メタデータ) (2022-09-06T14:57:53Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - DEALIO: Data-Efficient Adversarial Learning for Imitation from
Observation [57.358212277226315]
観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。
近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。
この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。
よりデータ効率の高いifOアルゴリズムを提案する。
論文 参考訳(メタデータ) (2021-03-31T23:46:32Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳(メタデータ) (2020-12-15T16:29:49Z) - Edge-assisted Democratized Learning Towards Federated Analytics [67.44078999945722]
本稿では,エッジ支援型民主化学習機構であるEdge-DemLearnの階層的学習構造を示す。
また、Edge-DemLearnを柔軟なモデルトレーニングメカニズムとして検証し、リージョンに分散制御と集約の方法論を構築する。
論文 参考訳(メタデータ) (2020-12-01T11:46:03Z)
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。