論文の概要: Transactional Cloud Applications: Status Quo, Challenges, and Opportunities
- arxiv url: http://arxiv.org/abs/2504.17106v1
- Date: Wed, 23 Apr 2025 21:35:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-02 19:15:53.177939
- Title: Transactional Cloud Applications: Status Quo, Challenges, and Opportunities
- Title（参考訳）: トランザクションクラウドアプリケーション - 現状、課題、機会
- Authors: Rodrigo Laigner, George Christodoulou, Kyriakos Psarakis, Asterios Katsifodimos, Yongluan Zhou,
- Abstract要約: クラウドへの移行により、従来のデータベース管理システムが扱うデータ管理の課題が復活した。
分散コンピューティングインフラストラクチャへの移行により、メッセージ配信、タスクスケジューリング、コンテナ化、(自動)スケーリングといった新しい問題が発生した。
このチュートリアルは、この領域における最近のトレンドを取り上げ、データ管理コミュニティにおけるオープンな研究課題について論じることを目的としている。
- 参考スコア（独自算出の注目度）: 6.211108626014235
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Transactional cloud applications such as payment, booking, reservation systems, and complex business workflows are currently being rewritten for deployment in the cloud. This migration to the cloud is happening mainly for reasons of cost and scalability. Over the years, application developers have used different migration approaches, such as microservice frameworks, actors, and stateful dataflow systems. The migration to the cloud has brought back data management challenges traditionally handled by database management systems. Those challenges include ensuring state consistency, maintaining durability, and managing the application lifecycle. At the same time, the shift to a distributed computing infrastructure introduced new issues, such as message delivery, task scheduling, containerization, and (auto)scaling. Although the data management community has made progress in developing analytical and transactional database systems, transactional cloud applications have received little attention in database research. This tutorial aims to highlight recent trends in the area and discusses open research challenges for the data management community.
- Abstract（参考訳）: 支払い、予約、予約システム、複雑なビジネスワークフローなどのトランザクションクラウドアプリケーションは現在、クラウドへのデプロイのために書き換えられている。
このクラウドへの移行は、主にコストとスケーラビリティの理由から行われています。
アプリケーション開発者は長年にわたって、マイクロサービスフレームワークやアクター、ステートフルなデータフローシステムなど、さまざまなマイグレーションアプローチを使用してきた。
クラウドへの移行により、従来のデータベース管理システムが扱うデータ管理の課題が復活した。
これらの課題には、状態の一貫性の確保、耐久性の維持、アプリケーションのライフサイクル管理などが含まれる。
同時に、分散コンピューティングインフラストラクチャへのシフトは、メッセージ配信、タスクスケジューリング、コンテナ化、(自動)スケーリングといった新しい問題も導入した。
データ管理コミュニティは分析的およびトランザクショナルなデータベースシステムの開発に進展してきたが、トランザクショナルなクラウドアプリケーションはデータベース研究にはほとんど関心が寄せられていない。
このチュートリアルは、この領域における最近のトレンドを取り上げ、データ管理コミュニティにおけるオープンな研究課題について論じることを目的としている。
関連論文リスト
- Towards Human-Guided, Data-Centric LLM Co-Pilots [53.35493881390917]
CliMB-DCは、機械学習コパイロットのための、ヒューマンガイド付き、データ中心のフレームワークである。
高度なデータ中心ツールとLLM駆動推論を組み合わせることで、堅牢でコンテキスト対応のデータ処理を可能にする。
CliMB-DCが未処理のデータセットをML対応フォーマットに変換する方法を示す。
論文 参考訳（メタデータ） (2025-01-17T17:51:22Z) - Insights on Microservice Architecture Through the Eyes of Industry Practitioners [39.58317527488534]
マイクロサービスアーキテクチャの採用は、ここ数年で大幅に増加しています。
本研究では,モノリシックなレガシーシステムからの移行に伴うモチベーション,活動,課題について検討する。
論文 参考訳（メタデータ） (2024-08-19T21:56:58Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Data Management For Training Large Language Models: A Survey [64.18200694790787]
大規模言語モデル(LLM)のトレーニングにおいて、データは基本的な役割を果たす
本調査は,LLMの事前学習および微調整段階におけるデータ管理の現状を概観するものである。
論文 参考訳（メタデータ） (2023-12-04T07:42:16Z) - The Journey to Serverless Migration: An Empirical Analysis of
Intentions, Strategies, and Challenges [0.4291523136171639]
サーバレスは、開発者がアプリケーションロジックのみに集中できるようにする、新たなクラウドコンピューティングパラダイムである。
本研究では,サーバレスアーキテクチャへの移行に伴う意図,戦略,技術的,組織的課題について検討する。
論文 参考訳（メタデータ） (2023-11-22T09:10:19Z) - Outsourcing Training without Uploading Data via Efficient Collaborative
Open-Source Sampling [49.87637449243698]
従来のアウトソーシングでは、デバイスデータをクラウドサーバにアップロードする必要がある。
我々は、公開および異種ソースから収集された膨大なデータセットである、広く利用可能なオープンソースデータを活用することを提案する。
我々は,オープンソースデータからクラウドトレーニングのためのプロキシデータセットを構築するための,ECOS(Efficient Collaborative Open-source Sampling)と呼ばれる新しい戦略を開発した。
論文 参考訳（メタデータ） (2022-10-23T00:12:18Z) - A Survey on Machine Learning for Geo-Distributed Cloud Data Center
Management [4.226118870861363]
クラウドサービスプロバイダは、運用コストを削減し、サービス品質を向上させるために、データセンタを世界中に配布しています。
このような大規模かつ複雑なソフトウェアワークロードとハードウェアリソースのオーケストレーションは、効率的な解決が難しい問題です。
本稿では,クラウドデータセンタ管理問題に対する最先端の機械学習技術について概説する。
論文 参考訳（メタデータ） (2022-05-17T03:14:54Z) - Machine Learning (ML)-Centric Resource Management in Cloud Computing: A
Review and Future Directions [22.779373079539713]
インフラストラクチャ・アズ・ア・サービス(I)は、最も重要かつ急速に成長する分野の1つです。
私のクラウドコンピューティングの最も重要な側面の1つは、リソース管理です。
機械学習は、さまざまなリソース管理タスクを処理するために使用されます。
論文 参考訳（メタデータ） (2021-05-09T08:03:58Z) - A Unified Transferable Model for ML-Enhanced DBMS [53.46830627879208]
本稿では,タスク間で伝達可能な知識をキャプチャするマルチタスクトレーニングプロシージャと,db間でのメタ知識を蒸留するプリトレーニングファインチューンプロシージャを用いた統一モデルmtmlfを提案する。
このパラダイムはクラウドDBサービスに適しており、将来的にMLの使用方法に革命をもたらす可能性があると考えています。
論文 参考訳（メタデータ） (2021-05-06T03:31:32Z) - Efficient Data Management for Intelligent Urban Mobility Systems [6.808852580156539]
本稿では,インテリジェントな都市移動システムのための統合データ管理・処理フレームワークを提案する。
利用可能なデータソースについて議論し、クラウド中心のデータ管理とストリーム処理アーキテクチャの概要を述べる。
論文 参考訳（メタデータ） (2021-01-22T18:28:04Z) - Data Mining with Big Data in Intrusion Detection Systems: A Systematic
Literature Review [68.15472610671748]
クラウドコンピューティングは、複雑で高性能でスケーラブルな計算のために、強力で必要不可欠な技術になっている。
データ生成の迅速化とボリュームは、データ管理とセキュリティに重大な課題をもたらし始めている。
ビッグデータ設定における侵入検知システム(IDS)の設計と展開が重要視されている。
論文 参考訳（メタデータ） (2020-05-23T20:57:12Z)
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。