Reviving Software Diversity in Microservices to Optimize the Performance of Software Systems
Notice bibliographique
Résumé
With the increasing popularity and complexity of microservice software systems, satisfying the performance requirements of these systems becomes a non-trivial task. While horizontal auto-scaling is a common remedy to this problem, it is not necessarily cost-effective and the proper solution for all scenarios. Also, regardless of the number of replicas, they are all prone to common bug failure. In this poster/demo, we present an agile and cost-effective approach for satisfying the performance requirements of microservice software systems without incurring extra costs on the service provider. We research how performance, i.e., response time, can be tamed by applying software diversity, aka multi-versioning, to the system's resource-heavy critical services. We use our open-source extension of the Docker framework, called DockerMV, to deploy microservice systems with multi-versioning embedded underneath. We also propose a dynamic load-balancing service that proactively adapts to the various versions depending on current and near-future performance needs. We demonstrate the efficacy of multi-versioning for satisfying the performance requirements of microservice software systems through extensive experiments on TeaStore, a microservice reference test application, and Znn, a containerized news portal. We will present our results through the poster and a live demonstration throughout the conference. A preliminary demo of our work can be accessed here11https://www.youtube.com/watch?v=oeMCxlDtU64. The GitHub repository of our work can be accessed here22https://github.com/prabjot09/nginx-dynamic-load-balancing.
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 | 0,004 | 0,011 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| 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 | 0,004 |
| Science ouverte | 0,002 | 0,005 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 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 ».