End-to-End Requirements Mapping for Cloud-Native Applications Using ML Models
Notice bibliographique
Résumé
In the rapidly evolving landscape of 5G and emerging 6G networks, ensuring cloud-based applications meet stringent performance and reliability requirements is critical to maintaining a competitive edge and satisfying user demands. These applications are typically composed of interconnected components, such as Virtual Network Functions (VNFs) or microservices, each contributing to the application's overall performance. However, configuring individual VNFs or microservices to meet specific end-to-end requirements—such as latency and throughput—poses a significant challenge. Current methods often rely on manual configurations, which can lead to inefficiencies and suboptimal resource use in dynamic cloud environments. In this paper, we introduce a machine learning-based solution to automate the mapping of end-to-end requirements into individual KPI requirements for each component (e.g., VNF) in the service graph. Using Deep Neural Networks (DNN) and Graph Neural Networks (GNN), our solution learns from diverse deployment scenarios and end-to-end application requirements, enabling accurate prediction of the KPIs needed for each component to support overall performance goals. This approach ensures that all components are precisely configured to meet end-to-end requirements without extensive manual tuning. Our evaluation on two distinct applications demonstrates high accuracy in predictions, achieving up to 98.99% accuracy during training and up to 96.67% in inferencing, surpassing the accuracy of expert-configured setups.
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 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| 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 ».