End-to-end QoS computation for vertical service composition in the cloud
Notice bibliographique
Résumé
Cloud services are designed to provide users with different computing models such as software-as-a-Services (SaaS), Infrastructure-as-a-Service (IaaS), Data-as-a-Service (DaaS), and other IT related services (denoted as XaaS). Easy, scalable and on-demand cloud services are offered by cloud providers to users. With the prevalence of different types of cloud services, the task of selecting the best cloud service solution has become more and more challenging. Cloud service solutions are offered through a collaboration of different cloud services at different cloud layers. This type of collaborations is denoted as vertical service composition. Quality of Service (QoS) properties are used as differentiating factors for selecting the best services among functionally equivalent services. In this thesis, we introduce a new service selection framework for the cloud which vertically matches services offered by different cloud providers based on users’ end-to-end QoS requirements. Functional requirements can be satisfied by the required cloud service (software service, platform service, etc) alone. However, users’ QoS requirements must be satisfied using all involved cloud services in a service composition. Therefore, in order to select the best cloud service compositions for users, QoS values of these compositions must be end-to-end. To tackle the problem of computing unknown end-to-end QoS values of vertical cloud service compositions for target users (for whom these values are computed), we propose two strategies: QoS mapping and aggregation and QoS prediction. The former deals with new cloud service compositions with no prior history. Using this strategy, we can map users’ QoS requirements onto different cloud layers and then we aggregate QoS values guaranteed by cloud providers to estimate end-to-end QoS values. The latter deals with cloud service compositions for which QoS data have been recorded in an active system. Using the QoS prediction strategy, we utilize historical QoS data of previously invoked service compositions and other service and user information to predict end-to-end QoS values. The presented experimental results demonstrate the importance of considering vertically composed cloud services when computing end-to-end QoS values as opposed to traditional prediction approaches. Our QoS prediction approach outperforms other prediction approaches in terms of the prediction accuracy by at least 20%.
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 | 0,002 | 0,004 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,002 | 0,002 |
| Science ouverte | 0,001 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 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 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 ».