A Kubernetes Controller for Managing the Availability of Elastic\n Microservice Based Stateful Applications
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The architectural style of microservices has been gaining popularity in\nrecent years. In this architectural style, small and loosely coupled modules\nare deployed and scaled independently to compose cloud-native applications.\nCarrier-grade service providers are migrating their legacy applications to a\nmicroservice based architecture running on Kubernetes which is an open source\nplatform for orchestrating containerized microservice based applications.\nHowever, in this migration, service availability remains a concern. Service\navailability is measured as the percentage of time the service is provisioned.\nHigh Availability (HA) is achieved when the service is available at least\n99.999% of the time. In this paper, we identify possible architectures for\ndeploying stateful microservice based applications with Kubernetes and evaluate\nKubernetes from the perspective of availability it provides for its managed\napplications. The results of our experiments show that the repair actions of\nKubernetes cannot satisfy HA requirements, and in some cases cannot guarantee\nservice recovery. Therefore, we propose an HA State Controller which integrates\nwith Kubernetes and allows for application state replication and automatic\nservice redirection to the healthy microservice instances by enabling service\nrecovery in addition to the repair actions of Kubernetes. Based on experiments\nwe evaluate our solution and compare the different architectures from the\nperspective of availability and scaling overhead. The results of our\ninvestigations show that our solution can improve the recovery time of stateful\nmicroservice based applications by 50%.\n
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.
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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,002 | 0,001 |
| 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 découle