A Real-time, Scalable Monitoring and User Analytics Solution for Microservices-based Software Applications
Notice bibliographique
Résumé
Monitoring the execution of distributed microservices-based software applications is a complex task. As more and more institutions conduct business in a distributed environment, a large amount of user data and transaction data are generated at an accelerated rate in such an environment. As a result, it becomes a big challenge to carry out user analytics with user interaction and transaction data in real-time. Monitoring is one of the most important approaches to getting instant situations of users and transactions. Ideally, the goal of monitoring is to carry out analysis in real-time and be highly scalable with comprehensive analysis and predictions on user interaction and transaction data to gain deeper and facilitate decision-making for the stakeholders. Therefore, we concentrate on what data can be captured to gain insight into users using the platform and how we can capture such data effectively to learn application usage patterns. To achieve this goal, (1) we present how different events data be captured from execution logs of software applications in distributed microservices, and (2) we utilize machine learning methods to predict usage patterns which are generated from interaction between user and system. For example, we show how error types can be predicted in real-time using machine learning and then enable real-time monitoring. The capability to perform analysis based on the continuously growing data volume is considered to be our solution's scalability characteristic. Microservices are used as containers that are managed by Kubernetes. Event logs generated in each microservice are the important data source for executing monitoring. The experiment shows our system can monitor user actions and transactions in real time and that the model capacity is scalable.
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 | 0,001 | 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 | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,005 | 0,003 |
| 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 ».