Estimating Response Time Percentiles of Cloud-Based Tiered Web Applications in Presence of VM Failures
Notice bibliographique
Résumé
Increasingly, software applications are being deployed in clouds because cloud computing offers several advantages -- for example, it relieves the application service providers from buying and maintaining data centers thereby reducing the operational costs, it allows dynamic scaling of virtual machines as required on a pay-per-use basis, and, it promotes easy deployment in multiple geographic locations at minimal cost. A key challenge in deploying a multi-tier web application in cloud is to achieve low variability in its response time. In this paper, we analyze the behaviour of a 3-tier cloud-based web application. We propose a hierarchical model to compute the response-time distribution that considers performance degradation of the application due to VM failures. Our model applies order statistics to describe the application's availability behavior and open queueing network to describe its performance behavior. We solve the open queueing network using discrete event simulation. The results show that in a 3-tier system, a configuration with large number of virtual machines (VMs) does not necessarily perform better than a configuration with smaller number of VMs. Moreover, for a given set of performance and availability parameters, the results further show that different system configurations containing the same number of VMs yield different performance depending on the replication level of the VMs in different tiers. We demonstrate that our model can be exploited to support the selection of appropriate number of replicas for different tiers that would meet the service-level agreement specified in terms of response-time percentiles.
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 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 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».