MARC

 008250123s2024        us                              c    eng  d
■001000017162178
■00520250211151942
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798382778426
■035    ▼a(MiAaPQ)AAI31302284
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aDogga,  Pradeep.
■24510▼aTowards  Cloud-Scale  Debugging
■260    ▼a[Sl]▼bUniversity  of  California,  Los  Angeles▼c2024
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2024
■300    ▼a178  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  85-12,  Section:  B.
■500    ▼aAdvisor:  Netravali,  Ravi  Arun;Varghese,  George.
■5021  ▼aThesis  (Ph.D.)--University  of  California,  Los  Angeles,  2024.
■520    ▼aCloud  computing  is  an  integral  part  of  today's  world:  it  primarily  enables  individuals  and  enterprises  to  provision  and  manage  resources  such  as  compute,  storage,  etc.,  for  their  needs  with  the  click  of  a  button.  Modular  approach  to  software  development  enabled  cloud  providers  to  rapidly  evolve  and  deliver  increasing  number  of  services  to  users  rendering  clouds  mission-critical.  To  insure  prompt  serviceability  of  this  Achilles'  Heel  from  facing  incidents,  cloud  providers  employ  significant  human  resources.  However,  with  the  ever  increasing  number  of  services  offered  by  clouds  and  growing  types  of  workloads  such  as  the  proliferation  of  Machine  Learning  workloads  in  recent  times,  it  is  no  longer  viable  for  cloud  providers  to  scale  their  human  resources  at  this  pace  to  insure  prompt  serviceability  of  their  clouds.In  this  dissertation,  I  present  my  work  towards  improving  the  serviceability  of  clouds  by  leveraging  insights  from  my  experience  with  real  debugging  workflows  employed  at  the  three  largest  clouds  today.  I  present  techniques  from  Machine  Learning  and  Natural  Language  Processing  to  leverage  the  vast  amount  of  historical  debugging  data  in  clouds  to  develop  tools  that  provide  assistance  to  their  engineers.  I  present  a  'Coarsening'  framework  that  enables  transition  towards  a  centralized  debugging  plane  and  discuss  practical  evaluations  of  tools  built  using  this  framework.I  present  Revelio,  a  tool  that  can  generate  debugging  queries  for  engineers  to  execute  over  system-wide  logged  data,  whose  results  can  likely  hint  them  of  the  root  cause  of  an  incident.  To  enable  benchmarking  many  techniques,  I  also  built  a  distributed  systems  debugging  testbed  that  can  inject  faults  into  services,  interface  with  human  users  and  collect  execution  logs  across  the  system.  I  present  AutoARTS,  a  tool  that  can  tag  a  lengthy  postmortem  report  of  an  incident  in  the  cloud  with  all  root  causes  from  an  extensive  taxonomy  and  can  also  highlight  key  pieces  of  information  from  a  postmortem  for  ease  of  analysis.  I  present  PerfRCA,  a  tool  that  can  scale  causal  discovery  to  production-scale  telemetry  to  reason  performance  degradations.  I  conclude  with  my  vision  for  a  centralized  approach  to  automatically  extract  generalizable  debugging  assistance  to  engineers  across  a  cloud.
■590    ▼aSchool  code:  0031.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■653    ▼aCloud  computing
■653    ▼aComputer  networks
■653    ▼aDebugging
■653    ▼aDistributed  systems
■653    ▼aMachine  Learning
■653    ▼aNatural  Language  Processing
■690    ▼a0984
■690    ▼a0800
■690    ▼a0464
■71020▼aUniversity  of  California,  Los  Angeles▼bComputer  Science  0201.
■7730  ▼tDissertations  Abstracts  International▼g85-12B.
■790    ▼a0031
■791    ▼aPh.D.
■792    ▼a2024
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17162178▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서