Rolling Upgrade with Dynamic Batch Size for IaaS Cloud
Notice bibliographique
Résumé
Cloud systems are upgraded regularly to improve their performance, fix bugs, deploy new software versions, etc. Their hosted services, for example, telecommunication services, may have stringent non-functional requirements such that they do not tolerate more than five minutes of downtime in a year regardless whether they are provided by a cloud system or the outage is due to an upgrade. Such services must remain highly available under any circumstance, which imposes availability requirements on the provider cloud system. The dynamicity of the environment is one of the main challenges for maintaining High Availability (HA) in cloud deployments during upgrades. To maintain availability during upgrades, most cloud providers use rolling upgrade, and to avoid any unexpected interference between the upgrade process and the cloud's scaling mechanism, scaling is disabled for the time of the upgrade. In this paper, we propose a novel approach for rolling upgrades applicable to - among others - IaaS cloud systems to address HA. This approach mitigates the interference between the upgrade process, any failure handling and scaling by dynamically adjusting the upgrade process to the changes in the cloud environment. Accordingly, the upgrade process can start/resume only when the system has sufficient resources to perform an upgrade iteration and suspends the process when this is not the case. As a result, scaling does not need to be disabled during upgrades, rather the scaling operations regulate the pace of the upgrade.
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 | 0,000 | 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 ».