Comparative Analysis of Genetic Algorithm and XML Filtering Technique for Multi-Tenant SaaS Configuration Management
Notice bibliographique
Résumé
The use of Software-as-a-Service (SaaS) cloud model is increasing rapidly. Among different SaaS deployment models, Single Instance Multi-Tenant (SIMT) has multiple advantages, e.g., high scalability and lower cost, but it also has practical concerns for management, as tenants may have distinct requirements or even conflicting preferences, and the number of features and tenants may be large. Offering the best user satisfaction, dealing with tenants' preferences and operational environment changes is crucial but challenging for effective SaaS management. Genetic algorithms (GAs) have been applied to the optimization problem in many fields. Further a GA-based approach, GAFES, specifically adapted to constraint-based feature selection optimization in Software Product Line (SPL) for multi-tenant SaaS has been reported. On the other hand, an XML filter technique, Yfilter, has been applied to various problem domains and recently to SIMT for SaaS. The aim of this paper is to experimentally evaluate the performance of GAFES and Yfilter for SaaS configuration with recourse constraints. We have conducted experiments to evaluate the two very different multi-tenant SaaS configuration techniques. The results show that both approaches can meet the user satisfaction, but Yfilter has much higher performance compared to GAFES.
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 | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| 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 ».