MétaCan
Menu
Retour à la cohorte
Enregistrement W2944883608 · doi:10.1109/pccc.2018.8711295

Availability-Aware Container Scheduler for Application Services in Cloud

2018· article· en· W2944883608 sur OpenAlexaff
Yanal Alahmad, Tariq Daradkeh, Anjali Agarwal

Notice bibliographique

Revuenon disponible
Typearticle
Langueen
DomaineComputer Science
ThématiqueCloud Computing and Resource Management
Établissements canadiensConcordia University
Organismes subventionnairesnon disponible
Mots-clésCloud computingComputer scienceContainer (type theory)Scheduling (production processes)Virtual machineScheduleService providerHost (biology)Cloud service providerDistributed computingService (business)Operating systemComputer networkCloud computing securityEngineering

Résumé

récupéré en direct d'OpenAlex

Cloud is a popular paradigm for providing online computing services to the end users. Recently many of the cloud service providers use containers instead of Virtual Machines (VMs) to host the applications. Using containers raises the application service availability concerns. Availability is a non-functional requirement that refers to the percentage of time the service is available for the end user. Scheduling containers (host application) on physical/virtual hosts has direct impact on the availability of the application service that is provided to the end user. According to the best of our knowledge, the existing container scheduling solutions do not directly address the availability of the application service. In this article we propose a new Availability-Aware container scheduling strategy that aims to increase the availability level of the application service in the cloud container-based platform. The strategy selects VMs and hosts that have higher availability values within constraints to schedule the containers in efficient way. We compare the proposed strategy with other container scheduling strategies that are used by Docker container platform. The results shown that the Availability-Aware strategy achieves higher service availability levels, and acceptable physical host CPU utilization.

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 enseignants

Ni 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.

score de la tête « metaresearch » (Codex)0,000
score de la tête « metaresearch » (Gemma)0,000
Version: codex-gemma-dda1882f352aStatut de validation: machine_predicted_unvalidated
Catégories candidatesaucune
Catégories consensuellesaucune
DomaineSignal candidat: aucune · Signal consensuel: aucune
Devis d'étudeSignal candidat: Simulation ou modélisation · Signal consensuel: aucune
GenreSignal candidat: Empirique · Signal consensuel: aucune
Score de désaccord entre enseignants0,926
Score d'incertitude au seuil0,288

Scores Codex et Gemma par catégorie

CatégorieCodexGemma
Métarecherche0,0000,000
Méta-épidémiologie (sens strict)0,0000,000
Méta-épidémiologie (sens large)0,0000,000
Bibliométrie0,0000,000
Études des sciences et des technologies0,0000,000
Communication savante0,0000,000
Science ouverte0,0010,000
Intégrité de la recherche0,0000,000
Charge utile insuffisante (le modèle a refusé de juger)0,0000,000

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.

Tête enseignante Opus0,010
Tête enseignante GPT0,249
Écart entre enseignants0,239 · la distance entre les deux têtes enseignantes sur ce seul travail
Statut de validationscore_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

Classification

machine, non validée

Prédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.

Les modèles n’ont appliqué aucune catégorie : rien dans la taxonomie ne correspondait à ce travail.
Devis d'étudeSimulation ou modélisation
Domainenon disponible
GenreEmpirique

Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».

En bref

Citations11
Publié2018
Routes d'admission1
Résumé présentoui

Explorer davantage

Même sujetCloud Computing and Resource ManagementTravaux en français237 207