معماری خدمات میکرو برای تحمل خطا

معماری خدمات میکرو برای تحمل خطا

چکیده:

ارائه پشتیبانی تحمل خطا (FT) به سیستم های اینترنت اشیا (IoT) چالشی آشکار است.

که بسیاری از پیاده سازی ها پشتیبانی FT استاتیک و محکم را ارائه می دهند که مانند سیستم های IoT سازگار نیست و تکامل نمی یابد.

این مقاله یک چارچوب قابل اتصال بر اساس یک معماری میکروسرویس پیشنهاد شده که پشتیبانی از FT را به عنوان دو ریز سرویس مکمل پیاده سازی می کند:

مورد اول

که از پردازش رویدادهای پیچیده برای تشخیص بلادرنگ FT  استفاده می کند .

مورد دیگر

که از یادگیری ماشینی آنلاین استفاده می کند تا الگوهای خطا را تشخیص داده و قبل از فعال سازی خطا ها را بطور پیشگیرانه کاهش دهد.

ما یک ارزیابی اولیه از اینکه چگونه چارچوب ما می تواند طرحی در دنیای واقعی را به انجام برساند، تهیه می کنیم.

نتیجه

ارائه پشتیبانی FT از سیستم های IoT یک چالش آشکار با بسیاری از برنامه های ارائه دهنده ایستا، پشتیبانی FT پیوسته و محکم است که با سیستم های IoT سازگار نیست و تکامل نمی یابد.

ما چارچوبی را بر اساس یک معماری میکروسرویس ارائه داده ایم که پشتیبانی FT  فعال  و انفعالی را با دو ریز سرویس ارائه می دهد:

FT بی وقفه، که از پردازش رویدادهای پیچیده برای تحلیل داده های جریان به جهت بازیابی خطای سریع استفاده می کند و پیش بینی FT که از آموزش ماشینی برای آموزش الگوهای خطا و کاهش خطاهای آینده قبل از به وقوع پیوستن استفاده می کند.

ما خطوط اتصال لازم را ارائه داده ایم و چارچوبی را در برابر طرح دنیای واقعی ارزیابی کرده ایم.

برای مشاهده   مطالب بیشتر www.farzdon.ir مراجعه نماید. 

Abstract:

Providing fault-tolerance (FT) support to Internet of Things (IoT) systems is an open challenge, with many implementations providing static, tightly coupled FT support that does not adapt and evolve like IoT systems do.

This paper proposes a pluggable framework based on a microservices architecture that implements FT support as two complementary

microservices: one that uses complex event processing for realtime FT detection, and another that uses online machine learning to detect fault patterns and pre-emptively mitigate faults before they are activated.

We provide an early evaluation of how our framework can handle a real-world scenario.

CONCLUSION

Providing FT support to IoT systems is an open challenge, with many implementations providing static, tightly coupled FT support that does not adapt and evolve as IoT systems do.

We have proposed a framework based on a microservices architecture that provides reactive and proactive FT support with two microservices: Real-Time FT, that uses complex event processing to analyze stream data for

rapid error recovery; and Predictive FT, that uses machine learning to learn fault patterns and mitigate future faults before they occur.

We have presented the necessary interfaces and evaluated the framework against a real-world scenario.