DATA-DRIVEN RELIABILITY ENGINEERING FOR PROACTIVE FAILURE DETECTION IN LARGE-SCALE CLOUD SYSTEMS
Notice bibliographique
Résumé
Massive cloud technology is the new infrastructure behind new digital services, with applications reaching out to millions of users.The growing complexities of distributed microservices, virtualization technologies and multi-region deployments, however, present a serious challenge in ensuring the reliability of the system.Conventional monitoring methods tend to be reactive and in most cases do not identify hidden or silent failures in real time thus resulting in degradation of services and SLA breach.This article introduces a data-based reliability engineering model of proactive failure detection in the large scale cloud setting.The suggested solution uses telemetry data, logs, metrics, and traces and employs state-of-the-art machine learning methods, including anomaly detection, predictive modeling, and event correlation, to find out possible failures before they happen.The system will allow self-healing actions to be performed by automated decision-making, and early warning mechanisms can be realized by combining real-time data processing and intelligent analytics.The structure increases the reliability of the system by minimizing downtime, better fault detection and Venkatramana Reddy Panyala, Andrew Levi Gazula https://iaeme.com/Home/journal/IJDA18 editor@iaeme.comincreased adherence to service level agreements.Moreover, it offers scalability and flexibility to dynamic clouds.The findings show that data-oriented solutions are much more efficient in detection and operational aspects than conventional rule-based solutions.
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 | 0,002 | 0,007 |
| 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 | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| 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 ».