Existing auto-scaling approaches ca

Existing auto-scaling approaches can be classified into reactive, proactive, and predictive algorithms. Reactive algorithms scale in/out system based on current situation of the system. The most significant shortcoming of reactive algorithms in IaaS is neglecting virtual machine (VM) boot-up time, which is reported to be between 5 and 15 minutes [5]. Neglecting VM boot-up time may cause under-provisioning during the lag time, which consequently may lead to SLA penalty. Proactive approaches try to solve this issue by allowing clients to pre-define a schedule where they proactively scale in/out system at certain points of time. Proactive scaling approaches are suitable for the environments with predictable load characteristics. But in the environments with unplanned load spikes employing a predictive auto-scaling system is desirable. Predictive auto-scaling algorithms predict future system behavior and adjust application resources in advance to meet the future needs. Fig. 1 shows an architectural overview of a predictive auto-scaling system.

결과 (한국어) 1:

기존 자동 스케일링 접근 반응, 예방, 예측 알고리즘으로 나눌 수 있다. 반응 알고리즘/아웃 시스템의 현재 상황에 따라 시스템을 확장 합니다. IaaS에 반응 알고리즘의 가장 중요 한 단점 15 분 [5] 사이 이기 위하여 보고 되는 가상 컴퓨터 (VM) 부팅 시간을 무시입니다. VM 부팅 시간 무시 될 수 있습니다 아래 제공 따라서 SLA 벌금으로 이어질 수 있는 지연 시간 동안. 사전 접근 그들은 사전/체크아웃 시간의 특정 지점에서 시스템을 확장 클라이언트 미리 일정을 정의 하 여이 문제를 해결 하려고 합니다. 사전 확장 접근은 예측 가능한 부하 특성을 가진 환경에 적합 합니다. 하지만 계획 되지 않은 부하 환경에서 예측 자동 크기 조절 시스템을 채용 하는 스파이크 바람직합니다. 예측 자동 스케일링 알고리즘 미래 시스템 동작을 예측 하 고 미래의 요구에 맞게 사전에 응용 프로그램 리소스를 조정 합니다. 그림 1 자동 스케일링 예측 시스템의 아키텍처 개요를 보여 줍니다.

결과 (한국어) 2:

자동 크기 조절 방법을 기존의 것은, 반응성 사전, 예측 알고리즘으로 분류 할 수있다. 반응성 알고리즘은 시스템의 현재의 상황에 기초하여 입 / 출력 시스템에서 확장. IaaS의 반응성 알고리즘의 가장 중요한 단점은 5 내지 15 분 것으로보고 가상 머신 (VM) 부팅 시간을 무시한다 [5]. VM 부팅 시간을 무시하는 것은 결과적으로 SLA 저하로 이어질 수있는 지연 시간 동안 아래 프로비저닝의 원인이 될 수 있습니다. 사전 예방 적 접근 방식은 고객들이 사전에 시간의 특정 지점에서 / 아웃 시스템의 확장 계획을 미리 정의 할 수 있도록하여이 문제를 해결하려고합니다. 적극적인 스케일링 방법은 예측 가능한 부하 특성과 환경에 적합하다. 그러나 예상치 못한 부하 급증이 예측 자동 크기 조절 시스템을 채용와 환경에 바람직하다. 예측 자동 스케일링 알고리즘은 미래의 시스템 동작을 예측하고, 미래의 요구를 충족하도록 미리 애플리케이션 리소스를 조정한다. 무화과. 1은 예측 자동 크기 조절 시스템의 아키텍처 개요를 보여줍니다.

결과 (한국어) 3:

자동 크기 수 있는 방법을 나눌 반응이, 적극적으로, 예측 수법.반응이 알고리즘 / 시스템 규모가 현재 시스템.가장 큰 결점이 인프라 반응이 알고리즘 소홀히 가상 머신 시작 시간 보도에 따르면, 이 5 ~ 15분.무시 가상 시작 시간 있을 때 다음 지연 시간 설정, 이 두 벌 수 있다.적극적으로 방법을 통해 이 문제를 해결할 수 있는 사용자 정의 한 시간 전에 그들은 적극적으로 규모를 / 시스템 시간을 꼭 좀.적극적으로 스케일 방법을 다 잘 어울리는 환경 부하 특징은 예측할 수 없다.근데 무작정 로드 이삭 환경 예측 자동 크기 조정 시스템 운용. 옳지.자동 크기 조정 및 예측 미래 예측 시스템 응용 자원 및 조정 행위를 미리 만족 장래.그림 보이기 건축 개요 한 예측 자동 크기 조정 시스템.