欢迎访问7天职称论文网! 

热点推荐词:

职称论文发表范文

基于微服务架构的企业数据治理自适应服务研究

文字:[大][中][小] 手机页面二维码 2022-09-27 15:01:27    

摘要:分析微服务系统架构体系和自适应服务,阐述面向企业用户提供微服务的数据治理自适应服务需求,构建了基于微服务架构的企业数据治理自适应服务体系结构,基于Spring Cloud Kubernetes 集成现有服务和组件的软件来探讨该架构的可行性。企业数据治理自适应服务系统面临外部环境、系统内部、用户需求三个方面的需求;基于微服务架构的企业数据治理自适应服务体系结构分基础设施层、数据资源层、微服务系统层、用户交互层及自适应控制中心;自适应控制中心包括监控、分析、计划、执行模块。

关键词:微服务;自适应服务;数据治理;MAPE 循环;Spring Cloud Kubernetes 

一、引言

移动互联网的发展和智能终端技术的普及,在方便企业数据平台用户获取业务数据、使用数据应用获取商业价值的同时,加剧了企业数据平台数据量级的增长化与用户需求的个性化之间的矛盾,致使企业用户面临信息超载、信息孤岛等困扰。在传统数据平台阶段,大部分企业用户数据治理系统以数据和业务两个维度为中心,从强调业务整体规划的集群化单体架构系统,到按照业务垂直划分的分布式架构系统的构建,虽然在一定程度缓解了这些问题, 但随着系统规模的扩大,其面临部署难度大(代码规模庞大、外部环境变化导致部署速度逐渐变慢)、拓展性受限(模块复杂、负载均衡动态性所致)及技术债务上升(人员流动、单体项目代码量庞大所致)等问题。在大数据平台阶段,用户对数据的需求持续增长,用户范围由数据部门扩展到全企业,数据治理平台需要以全企业用户和服务为中心,从面向服务的架构(Service-Oriented Architecture,SOA)到服务粒度进一步细化的微服务架构。SOA 架构体系逐渐成为了革新性架构体系,但面临模块数量快速增长加剧服务粒度与资源粒度之间的矛盾;多服务产生的资源竞争及运行环境差异性引发错误等挑战。传统基于单体、分布式及 SOA 企业数据治理系统架构,忽略了用户的个性化需求及动态变化的内外部环境等自适应服务需求。在此形势下,当前微服务架构凭借其高效开发效率、动态资源调度及个性服务需求等优势,成为了企业数据治理数据服务解决方案[1]。

为此,本研究分析了学术界企业数据治理系统架构体系的分类,阐述了面向企业用户提供数据治理自适应服务需求分析,构建了基于微服务架构的企业用户数据治理自适应服务架构。该架构凭借灵活、易扩展、高可用性及可伸缩性的系统快速,来应对用户需求的变化和用户数目的增加,通过自适应控制中心实现自动配置,以提供高质量的服务。最后,基于Spring Cloud Kubernetes 集成现有服务和组件的软件,来探讨自适应控制中心的可行性。

二、相关研究

(一)微服务架构

企业数据治理系统架构体系从研究要素的维度上可以分为业务、服务为中心的两大类型,如表 1 所示:

表 1 企业数据治理系统架构分类

类别

架构名称

研究内容

以业务为中心

的系统架构

单体架构

模块耦合、业务集成、不易开发大型项目  

分布式架构

垂直划分、功能单分、按需伸缩粒度不够、数据冗余、功能冗余  

以服务为中心  

的系统架构  

SOA 架构

松耦合、粗粒度、灵活性、可复用、总线故障  

微服务架构

细粒度、组件化、去中心化、服务化  

以业务为中心的系统架构,包括单体架构和分布式架构。单体架构也称为单体系统或单体应用,是一种把系统所有的业务功能、模块耦合在一个应用的架构,业务集成严重、新增业务困难且不适应大型项目开发。分布式架构以单体结构模式项目为单位进行垂直划分,将整个系统的功能单分到不同的进程,然后在各个进程中提供不同的业务能力,具有高度的内聚性和透明性,但其同一个子系统中的不同业务无法实现,按需伸缩粒度不够;不同子系统之间存在数据冗余、功能冗余[2]。

以服务为中心的系统架构,包括 SOA 架构和微服务架构。为了解决单体架构和分布式架构紧耦合的架构模式,20 世纪 90 年代提出的 SOA 的架构思想,将重复公用的功能抽取为组件,通过服务接口来通讯,以服务总线的形式给各个系统提供服务。SOA 架构是一种相对松耦合、粗粒度、灵活性、可复用的分布式 IT 架构。然而,SOA 架构大部分采取共享数据库, 当出现单点故障时势必会引发总线故障。微服务架构作为 SOA 架构的传承,区别在于微服务是真正的分布式的、去中心化的。微服务架构强调的是,业务系统需要彻底的组件化和服务化,每个服务运行在其独立的进程中,服务和服务间采用轻量级的通信机制互相沟通(通常是基于 HTTP 的 REST API)[3]。每个服务都围绕着具体业务进行构建,并且能够被独立地部署到生产环境、类生产环境等。另外,应尽量避免统一的、集中式的服务管理机制,对具体一个服务而言,应根据业务上下文,选择合适的语言、工具对其进行构建。采用微服务方法意味着,每个服务都是围绕业务功能开发的,可独立部署并在自己的流程上运行,以提供更高水平的解耦,减少依赖性,加快开发,独立部署,降低成本,持续交付,使系统更改更容易,分散并最大限度地扩展。因此,随着数据时代的快速发展,微服务架构已逐步取代单体架构、分布式架构和 SOA 架构,成为主流的解决途径和革新性体系结构。

(二)企业数据治理自适应服务

1. 自适应服务

自适应一词最早来源于生物学,指生物组织改变自身结构以适应外部刺激的能力,而后被扩展到心理学、经济学、自动控制、人工智能、技术数学和统计推理等各个领域。

在计算机领域,自适应服务存在各种定义和应用。国外学者 Wang 等(2019)提出了一种在基于云的软件服务中进行资源分配的自适应方法,目的是应对不同软件的服务质量及变化的外部环境(如工作负载),动态调整云资源[4]。Nawrocki 等(2020)提出了一种利用基于上下文和机器学习机制,来优化移动设备功耗的自适应系统的原始概念,从而实现动态的移动应用程序/服务的在线适应[5]Mojarad(2020)提出了一种基于上下文感知的自适应推荐系统,自适应的特点是,根据每个用户的偏好或要求来更新建议,针对用户的需求和偏好进行自动定制[6]。国内学者耿强等(2019)针对云平台下终端设备较多造成的网络资源负载不均衡问题,提出了一种自适应的负载均衡算法,提高任务分配率[7]。胡潜等(2020)对信息资源集成提出,基于自适应学习的动态服务融合实现模式,在实现上更强调服务融合的主动性及实现的自动化[8]

2. 企业数据治理

在企业领域,数据治理的价值体现在保障数据质量、数据安全性、数据易用性及提升企业用户的数据使用满意度;尽可能规避低数据质量在数据服务过程中带来的大量时间与运营成本的浪费,以及造成数据服务结果的无效性和错误性等问题。大数据时代,数据治理能力已逐渐成为企业的核心竞争力,数据治理应该由管控型向服务型转变,从为用户提供服务的角度,给用户提供一个数据的工作环境,管理好数据的同时,为用户提供数据服务的能力, 帮助企业完成数字化转型[9]。

3. 微服务架构与企业数据治理自适应服务

从企业数据治理的内涵特征出发,结合自适应服务在计算机领域的应用研究,将自适应服务应用于企业数据治理。针对企业数据内外环境动态变化的复杂度,面向多源数据资源、用户需求及运行环境,通过感知用户需求动态调整数据服务。

基于微服务架构,企业数据治理自适应服务主要包含以下内容:一是基于微服务架构的企业数据治理自适应服务的目的,是感知自身和环境的变化,动态调整系统自身的行为与流程,以便在环境与需求发生非确定性变化的情况下继续高效地达成服务目标;二是基于微服务架构的企业数据治理自适应服务的过程,是符合数据生命周期的过程,包括数据采集、预处理、存储和服务等过程[10];三是基于微服务架构的企业数据治理自适应服务的核心是“数据即服务”,基于微服务架构并结合自适应技术,满足快速响应用户数据服务需求并持续满足不同用户的个性化需求[11]。

三、基于微服务架构的数据治理自适应服务需求分析

当前的企业数据治理系统在异构基础设施下构造,运行所需的数据资源、网络环境、计算资源以及用户的数据服务需求等随时可能发生变化,使得系统故障且无法为企业用户提供及时可靠的数据服务,仅仅依靠企业技术人员已经不再可靠,需要系统具备自适应的数据治理能力。本文研究的基于微服务架构的企业数据治理自适应服务目的主要满足外部环境、系统内部以及用户需求三个方面[12]。

(1)             外部环境。外部环境包括外部数据资源、网络资源。微服务系统不能直接控制但可通过数据资源感知这些外部上下文。在开放环境下数据治理系统具有故障常态化[13],因此需要从外部数据源采集、数据预处理、数据存储等阶段提升数据质量、支持数据动态迁移满足系统外部环境的自适应需求。

(2)             系统内部。系统内部指数据治理系统内部环境,是具有微服务软件系统资源的内部系统环境,包括基础设施、数据资源以及微服务系统内部。数据治理系统基础设施搭设异构性、分布式集群部署分散性以及数据资源管理自治性等特征使得系统内部形成的依赖关系网络复杂,常出现运行机器故障、节点故障、带宽降低、数据资源过载和微服务实例不可访问等状况[14]。因此需要从基础设施的升级、数据资源的规范、微服务调度的协同满足系统内部的自适应需求。  

(3)             用户需求。基于微服务的自适应控制中心的核心是为企业用户提供数据服务,用户需求既包括满足用户目标的一系列微服务组合的功能性需求,也包括了用户期望的数据微服务能够达到的一定的数据服务质量标准的非功能性需求。因此需要以用户服务为导向、跨层级集成技术体系、管理调度组件与服务模块满足用户需求的自适应需求[15]。

四、基于微服务架构的企业数据治理自适应服务体系结构

基于微服务架构的企业数据治理自适应服务体系结构,以满足外部环境、系统内部及用户需求的自适应需求为目的,遵循“采集、预处理、存储和服务”的数据生命周期过程逻辑, 响应“数据即服务”的核心要素,按体系化、层级化、模块化、动静结合思路构建了基础设施层、数据资源层、微服务系统层、用户交互层及自适应控制中心结构模块,如图 1 所示:

1664262290290.png

图 1 基于微服务架构的数据治理自适应服务体系结构

(一)基础设施层

基础设施层凭借微服务架构高效开发效率功能,实现系统内部自适应服务需求。基础设施层为整个数据治理自适应服务系统提供支持数据资源层、微服务系统层、用户交互层及自适应控制中心所需的软硬件基础设施技术方案。基于微服务架构的要求,应用存储托架、文件管理器、SAN 等数据存储设备支持分布式存储、图存储及云计算存储等混合存储技术;应用云计算、分布式计算、内存计算等计算框架,提高资源调度和治理中心;应用网络设备由器、交换机、防火墙、负载平衡器、SSL 加速器构建数据共享通道、用户接入服务的安全性和稳定性;通过合理部署服务器集群、统一资源配置中心、中间件及其他备用设备实现基础设施层组件扩展性、灵活性及敏捷性。

(二)数据资源层

数据资源层凭借微服务架构动态资源调度功能,实现外部环境自适应服务需求。数据资源层基于 Rest 同步调用及 Kafka、Notify、ActiveMQ 等异步调用接入方式,按照数据资源“一库一服务”模式为微服务系统层提供数据,涵盖了数据全生命周期过程中的数据采集、数据预处理、数据存储过程。具体而言,数据源包括企业内部数据资源、云端资源及外部网络资源,这些多源异构数据通过终端提交、用户信息及批量导入等方式在数据采集平台上采集,并通过数据清洗、集成、转化等数据预处理手段,最终存储在对应的存储系统中。基于数据库技术提供用户信息库、当前数据应用库、历史数据库、历史归档数据库、系统运行数据库及自适应策略知识库等支撑自适应数据层和微服务系统层数据服务及业务调用。其中, 系统运行数据库存储自适应控制中监控模块收集的数据,并提供给分析模块;自适应策略知识库根据架构规定接口提供对来自微服务数据治理的知识和数据的访问,维护微服务数据治理系统中的数据(配置数据、适应性模型、服务数据消耗及服务确认)和环境(建模数据、网络数据及连接对象专业文件),支持自适应控制中的分析和执行模块实现数据共享。

(三)微服务系统层

微服务系统层和用户交互层,凭借微服务架构个性服务需求功能实现用户需求自适应服务需求。微服务系统层,由一组通过轻量级协议在应用中组织的微服务组成。微服务系统中有两个概念:一个是微服务实例,指处理要完成适当功能请求的真实实体;另一个是微服务, 可以被理解为一组具有完全相同功能的微服务实例的抽象。微服务本身并不处理用户请求, 而是将该请求分发到其相应的微服务实例中,以执行功能[16]。在运行时,一方面,用户通过服务目录(业务)查询所需数据服务,基于数据权限申请 Web 服务、文档服务及数据库服务, 微服务本身不会处理请求,但将请求分发到其相应的微服务实例以执行功能;另一方面,系统基于数据安全审核用户申请,自动化生成数据服务,完成微服务目录(开发)。服务目录不断提供可用服务列表并注册和注销微服务实例。

(四)用户交互层

用户通过 API Gateway 对接微服务系统层提交用户需求及服务调用,从而实现可视化、商业智能分析、联邦计算、预测分析及智能推荐等业务服务。另外,系统采集用户个人信息及操作记录,并存储在相应的用户信息数据库中,系统即可通过用户信息分析实现智能推荐和个性化服务。

(五)自适应控制中心

自适应控制中心模块针对基础设施层、数据资源层、微服务系统层及用户交互层,通过添加多层自适应控制提供系统自适应控制中心能力,典型的自适应控制循环由四项主要活动组成:监控、分析、计划和执行(Monitor, Analyze, Plan, and Execute,通常称为 MAPE 循环)[17]。基于 MAPE 循环的自适应控制中心构建流程,如图 2 所示:

1664262333997.png

图 2 基于 MAPE 循环的自适应控制中心运行流程

1. 监控 

监控模块面向外部环境、系统内部及用户需求,传达内外部上下文并收集监视数据,使用统一日志、报告和基础架构级度量的基于微服务的系统状态,收集的性能信息是时间戳的并存储在系统运行数据库中。具体而言,针对系统内部、外部环境及用户需求三方面的自适应服务需求,通过监控基础架构层级系统的低级指标 CPU、IO 和 RAM 使用率,以及更高的级别和应用程序响应时间和吞吐量;通过监控数据资源层级工作流量、数据库中的性能信息和文件的性能瓶颈;通过监控微服务系统层级服务使用、工作流量、微服务实例的运行状态, 以及信息、任务的微服务的性能(例如,处理时间,不同类型的工作流程的到达率)。

2. 分析

分析模块综合运用上下文分析、SLA 分析、性能瓶颈分析,以及服务依赖关系分析等方法,分析系统运行数据库中的监控数据[18],以建模系统的运行条件并微服务系统当前的感知。具体而言,上下文分析包括外部上下文、系统上下文,以及应用程序上下文分析;SLA 分析是度量测试结果是否达到目标的一种手段,详细分析信息主要包括:事物摘要信息(事务名称、时间及设置筛选条件)、事物相关(数据库、Web 资源消耗情况)、错误信息(如错误代码、运行过程中用户出错等一些相关信息)和快照视图(分析事物响应时间);性能瓶颈分析是限制系统性能的关键因素,一般包括硬件(CPU、RAM)、应用软件(应用服务器、Web服务器、数据库系统、微服务、操作系统和网络设备防火墙、动态负载均衡器、交换机等设备);服务依赖关系分析基于用户所处业务场景的需求,对微服务间的依赖关系作出合理性的判定,评估主要包括:服务限流、服务容量、服务报警、代码影响范围、服务发布顺序等。分析的结果作为自适应策略呈现,包括创造新的策略或基于最佳和实际工作条件的比较来保持现有的策略,收集适应策略并存储在自适应策略知识库中。

3. 计划

计划模块结合自适应策略知识库决定是否触发新的自适应战略,并发送一系列为达到最佳状态所需的行动。这些决策可以包括添加或删除微服务副本;在停止运行服务时触发新服务;用新下载的服务替换容器映像,优化多个正在运行的服务目录中的数据质量属性或这些操作的组合。然而,分析和计划服务阶段可能会面临有关延迟或模型不确定性的挑战。

4. 执行

执行模块控制策略的实现,并能够部署运行时的自动更新完成主动自适应。传统的单体架构通常由集中式服务器(使用单个任务队列)协调,这些服务器负责任务调用和同步,这种静态的、依赖于基础设施的执行计划的创建和集中的协调机制,使得现有系统在处理异构工作流的大规模工作负载时的效率降低。与单体架构相比,微服务架构允许简化需要测试的解决方案空间和执行一组较小的服务,微服务架构有利于执行控制策略直接在服务中更新。执行阶段的知识也将被存储在自适应策略知识库中,在自适应策略知识库中动态执行新的适应策略,以便在系统的整个生命周期中用于更明智的自适应决策。

五、基于 Spring Cloud Kubernetes 的自适应控制中心实现

Spring Cloud Kubernetes 提供微服务架构的自适应控制中心模型实现的相关组件,这些组件在 MAPE 循环中彼此相互作用,以对自适应控制中心进行自动化和集成,从而满足外部环境、系统内部及用户需求的自适应服务需求。企业数据治理自适应服务流程,如图 3 所示: 

1664262374476.png

图 3 企业数据治理自适应服务流程图

用户根据业务需要,通过查询服务目录(业务)获取相关微服务。此时,通过部署的监视器监控和记录当前环境状态:用户需求、系统内部和外部环境。然后将这些聚合指标数据存储在系统运行数据库中,完成从监视器输入到分析状态的启动。分析状态引擎由一组有条件和结果的规则组成,来验证当前状态是否达到阈值[19],如果性能指标值低于阈值,则取消自适应操作,直接向用户提供所需微服务;如果性能指标值满足或超过其阈值,服务状态将转换为已启动状态,需要采取自适应操作,触发计划引擎,计划阶段定义服务部署和修改计划,基于自适应策略知识库中的模板知识细节化计划命令执行自适应操作,完成部署和管理新的服务目录(开发),并完成服务目录(业务)更新,向用户提供自适应服务。

(一)基于 Spring Cloud Kubernetes 的监控模块实现

对于监控模块的实现,使用 Heapster,一个容器集群监控和性能分析工具,它可以收集集群和微服务实例的性能状态(CPU、IO 及 RAM 使用率,文本系统,更新时间等)。Heapster 将每个节点上的 cAdvisor 收集到的运行时性能度量值存储到第三方工具中(如 InfluxDB), 再配合 Grafana 的前端进行数据可视化的系统监控方案。

同时使用 Elk Stack,一个日志分析工具技术栈(Elastic Search、Logstash 及 Kibana),它可以通过 Logstash(开源的服务器端数据处理管道)收集多种来源的数据,对需要的数据进行过滤并将数据存储到 Elastic Search 中,再配合 Kibana 的前端进行数据可视化。 云端可以采用 Prometheus,一个开源监控系统和时间序列数据库,可以在运行时收集运行时性能度量存储到本地内存中。

(二)基于 Spring Cloud Kubernetes 的分析与计划模块实现

对于分析和计划阶段,面对线上复杂的内外部环境,通过分析系统运行数据库中的监控性能数据比较当前度量值与阈值,从而制定计划自动化感知业务并自动部署服务。使用 HPA(Horizontal Pod Autoscaler),一个扩展的自动系统组件分析系统状态的工具。HPA以基于 CPU 利用率或其他应用程序提供的度量指标进行自动缩容,通过监控分析一些Kubernetes API 资源和控制器控制的所有 Pod 的负载变化情况,来确定是否需要调整 Pod 的副本数量。

另外,在 Drools 中编写可以处理自配置场景的业务规则,以利用规则来管理和部署所需的基础架构和服务平台。分析模块按一定的时间间隔通过监视器 Prometheus 查询事件, 然后将这些事件针对规则的条件验证。其中,首先选中“当”对事件的当前值进行满意的“何时”语句。如果满足条件,则触发后续语句,该语句从规则中提到的“那么”的语句中执行操作。

例如,一组检测 CPU 利用率的业务规则(时间间隔属性设置为 30 秒,上限和下限阈值分别设置为 50%和 25%),如图 4 所示:

1.   rule "Prepare for Scale Up"                                           

2.    when

 3.   metric: Metric (metric.getCpuAverage() > 50)   

4.    state : State (name == "ScaleUp" && state ==

 5.   State.NOTRUN, this before[30s] metric)   

6.    then

 7.   state.setState(State.FINISHED);   

8.    update(state);

 9.   end   

图 4 分析度量值与阈值规则示例

规则识别名称为“ScaleUp”状态,以允许其他扩展的规则来查找这个状态,其中状态值是二进制的,要么状态是新的并且没有完成任务,要么状态已经完成了任务。当满足图 4 中的“当”语句的阈值和要求时,将初始化状态。其中,初始状态值设置为“NOTRUN”,然后,将此状态插入系统运行数据库中。设置规则的计时器时间间隔属性为 30 秒。在“然后” 语句中,从 Prometheus 组件的的最后 30 秒获取查询范围,并将其插入到度量标准对象并将其存储在 Drools 内存中,将检查在初始状态的 30 秒后仍平均 CPU 利用率仍超过 50%,则状态设置为已完成。当状态设置为完成时,该规则将被触发,并开始调用执行模块 API 以发送服务的部署和修改详细信息。

(三)基于 Spring Cloud Kubernetes 的执行模块实现

在执行阶段,Drools 将触发已经定义的自适应策略,并使用拓扑引擎来改变微服务之间的依赖关系或构建一个新的结构[20],通过 API Server 将新的配置参数输出到群集 Kubelet以适应更改的上下文,Kubelet 是运行在每个节点上的主要代理,每个节点都会启动 Kubelet服务。负责执行阶段和将自适应计划发送到 Kubelet 的规则,如图 5 所示:

     when

3.       KubeletJson : KubeletJson ()

4.       state : State (name == "ScaleUp" && state ==

5.       State.FINISHED)

6.       then

7.       KubeletTemplateAPI KubeletAPI = new

8.      KubeletTemplateAPI("<HOSTNAME>");

9.       int value = KubeletJson.getNumericalValue("example.json",

10.   "web_replica");

验证所提出的参考架构的可行性,面向未来,自适应技术在面向大数据治理、细粒度知识识别、精准服务提供等方面,仍需要在数据、技术及服务模式上进一步提升。下一步,有必要将研究设计微服务系统的上下文模型和关系模型作为改进控制回路的自适应知识,以供相关研究与实践参考。 

参考文献:

[1] RODRIGUEZ-GRACIA D,PIEDRA-FERNANDEZ J A,IRIBARNE L,et al.Microservices a nd Machine Learning Algorithms for Adaptive Green Buildings[J].Sustainability, 2019,11(16):4320.

[2] DE LAURETIS L.From Monolithic Architecture to Microservices Architecture[C]//2019 IEEE International Symposium on Software Reliability Engineering Work shops (ISSREW).Berlin:IEEE,2019:93-96.

[3] PONCE F,MARQUEZ G,ASTUDILLO H.Migrating from Monolithic Architecture to M icroservices: A Rapid Review[C]//2019 38th International Conference of the C hilean Computer Science Society (SCCC).Concepcion:IEEE,2019:1-7.

[4]WANG H,MA Y,ZHENG X,et al.Self-Adaptive Resource Management Framework fo r Software Services in Cloud[C]//2019 IEEE Intl Conf on Parallel & Distribut ed Processing with Applications, Big Data & Cloud Computing, Sustainable Com puting & Communications, Social Computing & Networking (ISPA/BDCloud/SocialC om/SustainCom).Xiamen:IEEE,2019:1528-1529.

[5]NAWROCKI P,SNIEZYNSKI B.Adaptive Context-Aware Energy Optimization for Ser vices on Mobile Devices with Use of Machine Learning[J].Wireless Personal Co mmunications,2020,115(3):1839-1867.

[6]MOJARAD R,ATTAL F,CHIBANI A,et al.Context-Aware Adaptive Recommendation System for Personal Well-Being Services[C]//2020 IEEE 32nd International Con ference on Tools with Artificial Intelligence (ICTAI).Baltimore:IEEE,2020: 192-199.

[7]耿强,黄雪琴.云平台下多终端自适应负载均衡算法仿真[J].计算机仿真,2019(5): 386-389.

[8]胡潜,李静,李梦婷.信息服务融合的动力机制与实现模式[J].现代情报,2020(2): 11-17.

[9] 陈氢,张治.融合多源异构数据治理的数据湖架构研究[J].情报杂志,2022(5):139-145.

[10] 陈氢,刘文梅.基于关联数据的企业数据治理可视化框架研究[J].现代情报,2021(6): 76-87,107.

[11]张宁,袁勤俭.数据治理研究述评[J].情报杂志,2017(5):129-134,163. 

[12]CHEN X,WANG H,MA Y,et al.Self-Adaptive Resource Allocation for Cloud-Based Software Services based on Iterative QoS Prediction Model[J].Future Gene ration Computer Systems,2020,105(5):287-296.

[13] DE SANCTIS M,MUCCINI H,VAIDHYANATHAN K.Data-Driven Adaptation in Microse rvice-based IoT Architectures[C]//2020 IEEE International Conference on Soft ware Architecture Companion (ICSA-C).Salvador:IEEE,2020:59-62.

[14] HOUSSEIN E H,CELIK E,MAHDY M A,et al.Self-Adaptive Equilibrium Optimize r for Solving Global, Combinatorial, Engineering, and Multi-Objective Proble ms[J].Expert Systems with Applications,2022,195:116552.

[15] TOFFETTI G,BRUNNER S,BLOCHLINGER M,et al.Self-Managing Cloud-Native App lications: Design, Implementation, and Experience[J].Future Generation Compu ter Systems,2017,72:165-179.

[16] CHAKI D,BOUGUETTAYA A.Adaptive Priority-Based Conflict Resolution of IoT Services[C]//2021 IEEE International Conference on Web Services (ICWS).Chic ago:IEEE,2021:663-668.

[17] ROUF Y,MUKHERJEE J,LITOIU M,et al.A Framework for Developing DevOps Ope ration Automation in Clouds using Components-off-the-Shelf[C]//Proceedings o f the ACM/SPEC International Conference on Performance Engineering.New York: Association for Computing Machinery,2021:265-276.

[18] BURROUGHS S.Towards Predictive Runtime Modelling of Kubernetes Microservic es[D].Hamilton:The University of Waikato,2021.

[19] FAN C,MA S.Migrating Monolithic Mobile Application to Microservice Archit ecture: An Experiment Report[C]//2017 IEEE International Conference on AI & Mobile Services (AIMS).Honolulu:IEEE,2017:109-112.

[20] MENDONCA N C,JAMSHIDI P,GARLAN D,et al.Developing Self-Adaptive Microse rvice Systems: Challenges and Directions[J].IEEE Software,2019,38(2):70-79.

返回上一步
打印此页
  • 电话咨询

  • 13838208225