Release planning for multi-tenant software as a service (SaaS) applications
Notice bibliographique
Résumé
In multi-tenant Software as a Service (SaaS) applications, the providers are required to regularly deliver new releases of the software in order to satisfy the evolving requirements of tenants. The first step in a release development lifecycle is the release planning process. This thesis formulates the problem of the "next release" planning for multi-tenant Software as a Service (SaaS) applications. Two variables that influence release planning in SaaS applications are introduced: the degree of commonality of features and the contractual constraints. The commonality of a feature denotes the number of tenants that have requested that feature. The contractual constraints denote the effects of service levels to which tenants have subscribed on the release planning process. Furthermore, this thesis proposes three novel approaches in order to tackle the problem of the "next release" planning for multi-tenant SaaS applications. The first one is a prioritization approach that employs a Fuzzy Inference System (FIS) engine in order to speed up the release planning process and overcome the uncertainty associated with the human judgment. In this approach, the human expertise, which is represented by fuzzy rules, is considered automatically in the release planning process. The second and third approaches consider release planning as an optimization problem. The second approach uses an exact optimization method (Binary Linear Programming (BLP)) in order to generate an optimal release plan, while the third approach uses heuristic optimization method (Genetic Algorithm (GA)). All of the three approaches aim to generate a plan for the next release that maximizes the degree of overall tenants’ satisfaction, maximizes the degree of commonality, and minimizes the potential risk while taking into account contractual, effort, and dependencies constraints. Moreover, the thesis presents an experimental study of the proposed approaches in order to determine which approach is best suited to different sets of scenarios. In this experiment, the performance of the proposed approaches is evaluated using four criteria: the overall tenants’ satisfaction, the commonality, the adherence to the risk, and the running time. Additionally, the thesis presents an experiment that compares the proposed approaches with a compared model that is selected from the literature.
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 | 0,001 | 0,000 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,000 | 0,001 |
| 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 ».