Using strategy trees in change management in clouds
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Change management in a cloud environment is often complicated by the different needs of the cloud clients. Changes are not applied all at once. For example, a client may require that a change to the Platform-as-Service (PaaS) instance assigned to it must only be done on the weekend while another client allows for the change to be done at any time. The time periods at which changes can be applied may be specified in SLAs. A change deployment schedule for making changes to PaaS instances often depends on the cloud provider policies and on the SLAs between the clients and the cloud provider. Different sets of cloud provider policies may result in different deployment schedules. Changes are not always successful. This may result in a change being unsuccessful and a return to a previous state in order to re-start the change. Neither is desirable since it may be impact SLA guarantees such as service availability or service time that could result in the cloud provider paying out penalties. Since changes are not all applied at once it may be desirable to modify the change deployment schedule. For example, if an operator is not highly skilled or if the change's complexity is higher than expected then it may be preferable to apply the change during a time period when there are relatively few customers in order to minimize SLA violations. This paper shows how strategy trees can be incorporated into an autonomic change management system that could result in a switch of cloud provider policy sets to determine a new deployment schedule on the fly. Our experiments show that this approach can save time while minimizing SLA violations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle