MARC

 008260126s2025        us                              c    eng  d
■001000017358128
■00520260202103648
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798314875407
■035    ▼a(MiAaPQ)AAI32092654
■035    ▼a(MiAaPQ)umichrackham006183
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a004
■1001  ▼aQiu,  Yiming.
■24510▼aAssisting  Cloud  System  Development  With  Automated  Insight  Generation
■260    ▼a[Sl]▼bUniversity  of  Michigan▼c2025
■260  1▼aAnn  Arbor▼bProQuest  Dissertations  &  Theses▼c2025
■300    ▼a141  p
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  86-11,  Section:  B.
■500    ▼aAdvisor:  Chen,  Ang.
■5021  ▼aThesis  (Ph.D.)--University  of  Michigan,  2025.
■520    ▼aAs  cloud  computing  revolutionizes  the  IT  industry,  the  complexity  of  underlying  cloud  systems  has  been  increasing  rapidly.  The  advent  of  new  hardware  accelerators  and  software  platforms  has  made  it  challenging  for  cloud  users  to  master  the  growing  development  toolkits.  Compounding  the  issue,  the  programming  frameworks  and  internals  of  these  new  systems  are  highly  heterogeneous,  with  different  performance  characteristics,  resource  constraints,  management  principles,  and  reliability  considerations.  Consequently,  it  is  becoming  crucial  to  minimize  human  effort  when  managing  these  new  ecosystems.  In  this  dissertation,  we  advocate  for  assisting  cloud  developers  and  operators  by  automatically  generating  system  insights.  These  insights  bridge  the  gap  between  user  intentions  and  system  requirements,  providing  clarity  on  the  outcomes  of  user  actions  on  a  system  without  the  need  for  tedious  trial-and-error  processes.This  dissertation  demonstrates  how  we  generate  various  types  of  insights  for  different  cloud  systems.  Firstly,  the  dissertation  explores  performance  optimization  insights,  which  are  critically  needed  as  users  attempt  to  offload  legacy  code  from  on-premise  servers  to  emerging  accelerators  like  SmartNICs.  These  new  hardware  components  feature  entirely  different  programming  abstractions,  compilers,  instruction  sets,  and  architectures.  Although  a  straightforward  offloading  strategy  might  functionally  work,  it  could  lead  to  significant  performance  degradation,  undermining  the  benefits  of  using  accelerators.  To  address  this  issue,  we  create  a  toolset  called  Clara,  which  can  automatically  predict  offloading  performance  and  suggest  tuning  strategies  before  extensive  deployment  efforts.  This  allows  users  to  make  informed  decisions  on  whether  and  how  to  offload  their  legacy  code. Secondly,  the  dissertation  investigates  safety  compliance  insights  for  the  cloud  networking  stack,  focusing  on  ensuring  the  correctness  of  system  updates  for  the  latest  generation  of  runtime-programmable  platforms.  We  observe  that  even  if  both  the  current  and  intended  functionalities  are  correct  and  efficient,  the  intermediate  transition  state  can  still  introduce  consistency  and  capacity  issues  into  the  core  network.  To  tackle  this  challenge,  we  employ  formal  reasoning  techniques  to  achieve  update  clarity.  We  develop  FlexPlan,  an  interactive  platform  that  synthesizes  runtime  transition  plans  meeting  dynamic  user  demands,  greatly  minimizing  the  need  for  manual  intervention.Lastly,  the  dissertation  unearths  infrastructure  management  insights  for  emerging  cloud  orchestration  platforms.  Clouds  are  constructed  by  providers  like  Microsoft  but  are  intended  for  third-party  use.  This  user/owner  division  limits  cloud  users'  visibility  and  control  over  cloud  service  behavior.  The  adoption  of  Infrastructure-as-Code  (IaC)  style  cloud  orchestration  platforms  further  complicates  this  semantic  gap  by  adding  another  intermediate  layer  of  abstraction.  To  address  this  complexity,  we  propose  Zodiac,  a  pipeline  that  automatically  uncovers  cloud  provider  requirements,  and  clarifies  their  interaction  with  orchestration  platforms.  The  outcome  is  a  set  of  orchestration  rules  that  cloud  users  must  follow  to  ensure  proper  cloud  management  practices.Throughout  these  projects,  we  leverage  and  extend  techniques  from  a  wide  variety  of  disciplines,  such  as  formal  reasoning,  software  testing,  machine  learning,  and  their  intersections.  The  results  demonstrate  the  feasibility  of  generating  useful  insights  across  cloud  data,  control,  and  management  planes,  while  unveiling  an  even  larger  insight  generation  and  integration  design  space  yet  to  be  explored. 
■590    ▼aSchool  code:  0127.
■650  4▼aComputer  science
■650  4▼aComputer  engineering
■650  4▼aInformation  technology
■653    ▼aCloud  management
■653    ▼aProgrammable  network
■653    ▼aProgram  analysis
■653    ▼aProgram  synthesis
■653    ▼aMachine  learning
■653    ▼aConfiguration  mining
■690    ▼a0984
■690    ▼a0489
■690    ▼a0464
■690    ▼a0800
■71020▼aUniversity  of  Michigan▼bComputer  Science  &  Engineering.
■7730  ▼tDissertations  Abstracts  International▼g86-11B.
■790    ▼a0127
■791    ▼aPh.D.
■792    ▼a2025
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T17358128▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.

미리보기

내보내기

chatGPT토론

Ai 추천 관련 도서