Performance modelling of multi-tier cloud applications using Simpy
Notice bibliographique
Résumé
Todays cloud deployed applications are mostly multi-tiered. Usually, the first tier consists of an Application Service Providers' (ASPs) web servers, the second tier has application servers and the third tier contains database servers. Tiered architectures are often difficult to evaluate in terms of performance. Existing performance models are very effective in finding the mean performance measures. However, metrics such as response-time percentiles are of greater importance to the end-users since it is more desirable to reduce the variability of a system’s response time, rather than minimizing the mean response time. In this work, a multi-tier application is modeled as an open queuing network of 3-tiers and the response-time percentiles are estimated using discrete event simulation. Here, we assume that each tier is replicated into a number of copies and each copy runs on a separate Virtual Machine (VM). Although simulation models are computationally more expensive as compared to analytical models, they are much more general. The simulation model of this work can be used as decision support for ASPs in order to determine the optimal configuration of VMs for a given workload such that a required response-time percentile is within a given threshold. In this work, Simpy, a discrete event simulation framework, has been used. The results show that as the number of VMs are increased in a 3-tier open queueing network, the overall system performance (i.e. percentiles and mean response times) does not necessarily become better. The results further show that different system configurations containing the same number of VMs, yield different performance depending on the replication level in different tiers.
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 | 0,004 |
| 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 ».