[論文レビュー] CBC Approach for Evaluating Potential SaaS on the Cloud

Dhanamma Jagli, Sunita Mahajan+1 more|arXiv (Cornell University)|May 25, 2019

Cloud Computing and Resource Management参考文献 6被引用数 4

ひとこと要約

本論文は、クラウド環境におけるソフトウェアとしてのサービス（SaaS）の提供候補を、ユーザー要件と品質特性を統合することで評価するため、制約に基づくクラスタリング（CBC）モデルを提案する。このアプローチは、機能的および非機能的基準に基づいてサービスをクラスタリングすることにより、従来のSaaS評価を強化し、サービスの能力とユーザーのニーズの整合性を向上させる。

ABSTRACT

The cloud computing is evolving as a key computing platform for sharing resources like infrastructure, platform, software etc. This has proven to be an essential requirement for extending many existing applications. Software as a service (SaaS) is referred as on-demand software supplied by service providers in which software and associated data are hosted on the cloud and it can be accessed by service users using a thin client via a web browser. SaaS is commonly utilized and it provides many benefits to service users. To realize these benefits, it is essential to evaluate potential quality of SaaS, not only to the service users but also to the service providers. They have to evaluate their services against requirements of service users. The existing evaluation models are focusing only on quality attributes of SaaS. In this paper, a new evaluation model is proposed based on the data mining technique of Constraint Based Clustering (CBC). The proposed model gives emphasis on potential requirements of service users along with quality attributes of services.

研究の動機と目的

• 既存のSaaS評価モデルが品質特性にのみ焦点を当てており、ユーザー固有の要件には対応していないというギャップを解消すること。
• SaaSの機能的ニーズと非機能的品質特性の両方を考慮する包括的な評価フレームワークを構築すること。
• ユーザーの期待と制約に一致するSaaSの選定精度を向上させること。
• データ駆動型のクラスタリングを用いて、サービスプロバイダーが自らの提供物をユーザーの要請と比較・ベンチマーク化できることを可能にすること。
• データマイニング技術に基づくハイブリッド評価モデルを通じて、クラウドSaaSの導入における意思決定を強化すること。

提案手法

• 提案モデルは、事前に定義された制約に基づいてSaaSサービスをグループ化するデータマイニング技術、制約に基づくクラスタリング（CBC）を用いる。
• 制約は、ユーザー要件（機能的）と品質特性（非機能的）、例えばパフォーマンス、セキュリティ、可用性などから導出される。
• クラスタリングプロセスは、ユーザー固有の制約とサービス品質（QoS）基準の両方を満たすサービスを優先する。
• ユーザー入力とサービスメタデータを統合して、クラスタリングのための多次元評価空間を構築する。
• 得られたクラスタは、類似した能力プロファイルを持つSaaSソリューションのグループを表し、ターゲットされた選定を可能にする。
• このアプローチは、構造的で制約駆動の分析を通じて、サービスユーザーとプロバイダーの両方が最適なSaaSマッチを特定するのを支援する。

実験結果

リサーチクエスチョン

• RQ1 SaaS評価モデルは、品質特性に加えて、具体的なユーザー要件をどのように統合できるか？
• RQ2 制約に基づくクラスタリングは、SaaS推薦および選定の正確性をどの程度向上できるか？
• RQ3 クラウド環境において、潜在的に優れたSaaS提供物と他のものとを区別する主な制約は何か？
• RQ4 機能的および非機能的基準を統合することで、SaaSサービスのクラスタリング結果にどのような影響が生じるか？
• RQ5 CBCベースの評価は、SaaSの導入および改善に関する意思決定を、サービスユーザーとプロバイダーの両方が情報に基づいて行えるように支援できるか？

主な発見

• CBCベースのモデルは、ユーザー要件と品質特性に両方一致するようにSaaSサービスを効果的にクラスタリングした。
• ユーザーが定義した制約に最も適合するSaaSソリューションを特定することで、サービス選定の改善が図られた。
• モデルは、サービスプロバイダーが自らの提供物をユーザーの期待と照らし合わせてベンチマーク化できることを可能にし、継続的改善を支援する。
• 機能的および非機能的基準の統合により、従来の品質のみに焦点を当てるモデルよりも、SaaS評価の精度が向上した。
• 提案された事例研究を通じて、実世界のSaaS選定シナリオにおいて実用的な適用性が実証された。
• CBCによるデータマイニングの活用により、動的で変化し続けるクラウド環境において、スケーラブルかつ自動化されたSaaS評価が可能になった。