Automatic Reduction of Execution Trace Data Volume UsingGradient Boosting in Large-Scale Microservice Systems
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
In the complex world of online services that rely on interconnected microservices, ensuring these components have the necessary resources for optimal performance is crucial. Traditionally, analyzing extensive logs and traces from these systems has been the method to model performance, but collecting too little or too much data can present challenges for accurate performance modeling. This highlights the need for a more efficient approach. Our study introduces a streamlined two-phase method that leverages gradient boosting algorithms to pinpoint key data features essential for predicting CPU and memory demands accurately. By focusing on feature importance, we were able to significantly reduce the amount of data required for analysis—by more than 69\%—without compromising, and in some cases enhancing, the accuracy of our models. This evaluation was significantly strengthened by employing a comprehensive dataset provided by Alibaba, illustrating the practical application and validation of our method in a real-world, large-scale microservice environment. Further analysis on our results reveal that most of the identified features for for data volume reduction were mostly focused on the critical aspects of a microservice architecture, notably inter-service communication and resource access patterns. Our findings demonstrate that by concentrating on the most influential features of the microservice architecture trace data, it is possible to maintain, and potentially improve, system performance modeling with substantially less data, presenting a promising research direction for resource optimization in large-scale microservice performance modeling.
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 | 0,001 |
| 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 découle