Assessing QoS consistency in cloud-based software-as-a-service deployments
Notice bibliographique
Résumé
Cloud-deployed Software-as-a-Service (SaaS) solutions have become a common global software deployment regime. For SaaS providers success is increasingly tied to social media feedback, customer reviews, and referrals. As such, ensuring sufficiently few users experience low (or poor) quality of service (QoS) levels has become an important concern. Cloud-based SaaS QoS is primarily driven by: i) the incoming workload's pace and complexity, ii) the SaaS system's design and implementation, and iii) the cloud platform's own induced QoS variabilities. Of these, SaaS software engineers generally have the least control over (iii), making it important to properly understand and quantify. This work empirically assesses (iii) by applying statistically rigorous QoS testing to an industry-held cloud-deployed SaaS system. Identical SaaS system instances are instantiated into the same commercial cloud platform and exercised via identical synthetic in-coming workloads. The resulting run-time QoS statistical distributions of each SaaS instance are then pairwise compared via distribution-free goodness-of-fit tests. A high degree of (iii) induced statistical dissimilarity is observed, suggesting significant care is required when seeking to make QoS envelope predictions from per-instance observed SaaS QoS results. This also suggests deeper more formal efforts may be required to better understand and characterize the cloud-induced SaaS QoS consistency issues that arise within modern SaaS deployments.
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 | 0,009 | 0,042 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,002 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| 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 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 ».