論文の概要: A Systematic Literature Review of Machine Learning Approaches for Migrating Monolithic Systems to Microservices
- arxiv url: http://arxiv.org/abs/2508.15941v1
- Date: Thu, 21 Aug 2025 20:21:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-25 16:42:36.179637
- Title: A Systematic Literature Review of Machine Learning Approaches for Migrating Monolithic Systems to Microservices
- Title（参考訳）: モノリシックシステムからマイクロサービスへの移行に向けた機械学習アプローチの体系的文献レビュー
- Authors: Imen Trabelsi, Brahim Mahmoudi, Jean Baptiste Minani, Naouel Moha, Yann-Gaël Guéhéneuc,
- Abstract要約: 我々は,2015年から2024年にかけて発行された81の初等研究(PS)のアプローチと成果をまとめ,合成し,考察する体系的文献レビュー(SLR)を報告する。
本稿では,モノリシックシステム移行におけるML手法の活用を示す分類の形で,これらの知見を合成する。
- 参考スコア（独自算出の注目度）: 1.8684811414745408
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Scalability and maintainability challenges in monolithic systems have led to the adoption of microservices, which divide systems into smaller, independent services. However, migrating existing monolithic systems to microservices is a complex and resource-intensive task, which can benefit from machine learning (ML) to automate some of its phases. Choosing the right ML approach for migration remains challenging for practitioners. Previous works studied separately the objectives, artifacts, techniques, tools, and benefits and challenges of migrating monolithic systems to microservices. No work has yet investigated systematically existing ML approaches for this migration to understand the \revised{automated migration phases}, inputs used, ML techniques applied, evaluation processes followed, and challenges encountered. We present a systematic literature review (SLR) that aggregates, synthesises, and discusses the approaches and results of 81 primary studies (PSs) published between 2015 and 2024. We followed the Preferred Reporting Items for Systematic Review and Meta-Analysis (PRISMA) statement to report our findings and answer our research questions (RQs). We extract and analyse data from these PSs to answer our RQs. We synthesise the findings in the form of a classification that shows the usage of ML techniques in migrating monolithic systems to microservices. The findings reveal that some phases of the migration process, such as monitoring and service identification, are well-studied, while others, like packaging microservices, remain unexplored. Additionally, the findings highlight key challenges, including limited data availability, scalability and complexity constraints, insufficient tool support, and the absence of standardized benchmarking, emphasizing the need for more holistic solutions.
- Abstract（参考訳）: モノリシックシステムにおけるスケーラビリティと保守性の課題は、システムを小さな独立したサービスに分割するマイクロサービスの採用につながった。
しかしながら、既存のモノリシックなシステムをマイクロサービスに移行するのは複雑でリソース集約的な作業であり、そのフェーズの一部を自動化するために機械学習(ML)の恩恵を受けることができる。
移行のための適切なMLアプローチを選択することは、実践者にとって依然として難しい。
以前の研究は、モノリシックシステムをマイクロサービスに移行するための目的、アーティファクト、テクニック、ツール、メリットと課題を別々に研究した。
変更された{automated migration phase}、使用したインプット、適用されたML技術、その後の評価プロセス、遭遇した課題を理解するために、この移行のための体系的に既存のMLアプローチについてはまだ検討されていない。
我々は,2015年から2024年にかけて発行された81の初等研究(PS)のアプローチと成果をまとめ,合成し,考察する体系的文献レビュー(SLR)を報告する。
PRISMA(Preferred Reporting Items for Systematic Review and Meta-Analysis)の声明に従い,研究成果を報告し,RQ(Reporting Items for Systematic Review and Meta-Analysis)に回答した。
我々はこれらのPSからデータを抽出して分析し、RQに答える。
モノリシックなシステムをマイクロサービスに移行する上で,MLテクニックの使用方法を示す分類という形で,調査結果を合成する。
この結果から,監視やサービス識別といった移行プロセスのいくつかのフェーズが十分に調査されている一方で,マイクロサービスのパッケージングなど他のフェーズは未検討のままであることが分かる。
さらに、データ可用性の制限、スケーラビリティと複雑性の制約、ツールサポートの不足、標準化されたベンチマークの欠如、より包括的なソリューションの必要性を強調している。
関連論文リスト
- Quantization Meets dLLMs: A Systematic Study of Post-training Quantization for Diffusion LLMs [54.70676039314542]
本稿では拡散に基づく言語モデルの定量化に関する最初の体系的研究について述べる。
異常に大きなアクティベーション値によって特徴付けられるアクティベーションアウトリーチの存在を同定する。
我々は、最先端のPTQ手法を実装し、複数のタスクタイプとモデル変種を包括的に評価する。
論文 参考訳（メタデータ） (2025-08-20T17:59:51Z) - Discrete Tokenization for Multimodal LLMs: A Comprehensive Survey [69.45421620616486]
本研究は、大規模言語モデル(LLM)用に設計された離散トークン化手法の最初の構造的分類と解析である。
古典的および近代的なパラダイムにまたがる8つの代表的なVQ変種を分類し、アルゴリズムの原理を分析し、力学を訓練し、LLMパイプラインとの統合に挑戦する。
コードブックの崩壊、不安定な勾配推定、モダリティ固有の符号化制約など、重要な課題を特定する。
論文 参考訳（メタデータ） (2025-07-21T10:52:14Z) - MLLM-CL: Continual Learning for Multimodal Large Language Models [62.90736445575181]
ドメインと能力の連続学習を含む新しいベンチマークであるMLLM-CLを紹介する。
我々のアプローチは、ドメイン固有の知識と機能的能力とを最小限の忘れ込みで統合することができ、既存の手法よりもはるかに優れています。
論文 参考訳（メタデータ） (2025-06-05T17:58:13Z) - Missing Data in Signal Processing and Machine Learning: Models, Methods and Modern Approaches [49.431846265898486]
このチュートリアルの目的は、信号処理(SP)と機械学習(ML)の実践者に、その質問に答えるための重要なツールを提供することだ。
論文 参考訳（メタデータ） (2025-06-02T13:58:36Z) - How do Large Language Models Understand Relevance? A Mechanistic Interpretability Perspective [64.00022624183781]
大規模言語モデル(LLM)は、関連性を評価し、情報検索(IR)タスクをサポートする。
メカニスティック・インタプリタビリティのレンズを用いて,異なるLLMモジュールが関係判断にどのように寄与するかを検討する。
論文 参考訳（メタデータ） (2025-04-10T16:14:55Z) - A Comprehensive Survey of Machine Unlearning Techniques for Large Language Models [35.893819613585315]
本研究では,大規模言語モデル(LLM)の文脈における機械学習手法について検討する。
LLMのアンラーニングは、LLMから望ましくないデータの影響を取り除くための原則的なアプローチを提供する。
研究の関心が高まりつつあるにもかかわらず、既存の研究を体系的に整理し、重要な洞察を蒸留する総合的な調査は行われていない。
論文 参考訳（メタデータ） (2025-02-22T12:46:14Z) - Towards Trustworthy Machine Learning in Production: An Overview of the Robustness in MLOps Approach [0.0]
近年、AI研究者や実践家は、信頼性と信頼性のある意思決定を行うシステムを構築するための原則とガイドラインを導入している。
実際には、システムが運用され、実際の環境で継続的に進化し、運用するためにデプロイされる必要がある場合に、根本的な課題が発生する。
この課題に対処するため、MLOps(Machine Learning Operations)は、デプロイメントにおけるMLソリューションを標準化するための潜在的なレシピとして登場した。
論文 参考訳（メタデータ） (2024-10-28T09:34:08Z) - Detecting Training Data of Large Language Models via Expectation Maximization [62.28028046993391]
本稿では,予測最大化アルゴリズムを用いて,メンバーシップスコアとプレフィックススコアを反復的に洗練する新しいメンバーシップ推論手法EM-MIAを紹介する。
EM-MIAはWikiMIAで最先端の結果を得る。
論文 参考訳（メタデータ） (2024-10-10T03:31:16Z) - Naming the Pain in Machine Learning-Enabled Systems Engineering [8.092979562919878]
機械学習(ML)対応システムは、企業によってますます採用されている。
本稿では,ML対応システムの現状を概観する。
論文 参考訳（メタデータ） (2024-05-20T06:59:20Z) - ML-Enabled Systems Model Deployment and Monitoring: Status Quo and
Problems [7.280443300122617]
我々は、ML対応システムのエンジニアリング方法に関する実践的洞察を集めるために、国際調査を実施した。
モデル配置および監視段階における現状と問題点を解析した。
私たちの結果は、実践において採用されているプラクティスや問題をより深く理解する上で役立ちます。
論文 参考訳（メタデータ） (2024-02-08T00:25:30Z)
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。