A Framework for Performing Statistical Testing of Distributed Systems
Notice bibliographique
Résumé
A major obstacle facing developers of large-scale distributed applications is deployment of the software under real-world conditions. While the product may hold up under lab conditions, it can fail horribly when faced with actual users using the service over the Internet. Part of the problem lies in the fact that there is very little support for software developers to examine the true behavioral nature of their software at scale. In order to determine this nature, it is important to be able reproduce a large number of different, realistic environmental conditions repeatedly and consistently. Without this ability, it becomes very difficult to argue that the observed behavior is truly representative of the system. Put in a different perspective, while characteristics like average throughput, response delay, and time between failures can be computed based on the lab results, it is unclear whether these measurements do indeed capture the true statistical properties of the system, as opposed to a momentary, rare blip. This work presents a prototype implementation of a framework that allows automated testing, including repeatable experiments (as required by the tenets of the scientific method), sweeping through experiment parameters, and supporting the ability to engage in closed-loop testing. The intention of this prototype effort is to build on top of existing testbed capabilities, such as those provided by Emulab. The results of using this prototype framework to test an industry-held distributed system, and to research collaborative worm propagation mitigation strategies, are shown.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,039 | 0,077 |
| Méta-épidémiologie (sens strict) | 0,003 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,005 |
| Bibliométrie | 0,005 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,007 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,007 | 0,004 |
| Intégrité de la recherche | 0,003 | 0,006 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,004 | 0,002 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».