Service Agreement Trifecta: Backup Resources, Price and Penalty in the Availability-Aware Cloud
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
Service Level Agreements (SLA) for cloud services entail complex trade-offs between interrelated variables such as price, penalty, and service availability (uptime) guarantee, with resource management strategies affecting fulfillment of the SLA. In this study, we address three key components of the SLA-based cloud resource management and pricing problem, from the service-provider’s perspective: (1) availability-aware backup resource provisioning; (2) price-penalty schedule determination; and (3) penalty-deferred pricing over two periods. Using the convexity of the provider’s expected total cost over the number of backup resources, we present a dichotomous search algorithm to derive the total cost minimizing number of backup resources for a given level of SLA-specified service availability guarantee. Next, we derive closed-form solutions for the lower bound of the feasible price range, yielding a schedule of breakeven price-penalty combinations, which establishes the baseline required in the economic modeling of the service contracts and related negotiation processes, and may also elicit client preference information. We then model a two-period pricing problem specifically designed to incentivize penalty deferrals in the event of an SLA violation. Detailed experimental studies of the proposed models have been carried out using real-world datacenter log data. The computational study validates the convexity of the probability density function of SLA violations over the number of backup resources. The results demonstrate significant interaction effects between the SLA parameters (price, penalty rate, and provisioning cost) and the backup resource provisioning decisions made by the provider, leading to key practical managerial implications for SLA design and resource deployment in the availability-aware cloud. The online appendix is available at https://doi.org/10.1287/isre.2017.0755 .
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 | 0,011 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 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 | 0,001 |
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