Key points are not available for this paper at this time.
Zusammenfassung: Serverloses Computing hat aufgrund seiner Skalierbarkeit, Kosten-Effizienz und einfachen Bereitstellung erheblich an Popularität gewonnen. Angesichts des exponentiellen Wachstums der Daten stehen Organisationen vor der Herausforderung, große Mengen an Daten in einer serverlosen Umgebung effizient zu verarbeiten und zu analysieren. Datenpipelines spielen eine entscheidende Rolle beim Management und der Transformation von Daten innerhalb serverloser Architekturen. Dieses Papier bietet eine Taxonomie der Ansätze für Datenpipelines im serverlosen Computing. Die Klassifizierung basiert auf architektonischen Merkmalen, Datenverarbeitungstechniken und Workflow-Orchestrierungsmechanismen. Diese Ansätze werden in drei Hauptmethoden kategorisiert: heuristic-basierter Ansatz, maschinelles Lernen-basierter Ansatz und framework-basierter Ansatz. Darüber hinaus wird eine systematische Übersicht bestehender Datenpipeline-Frameworks und -Tools gegeben, die ihre Stärken, Einschränkungen und Anwendungsfälle in der Praxis umfasst. Die Vor- und Nachteile jedes Ansatzes sowie die Herausforderungen und Leistungskennzahlen, die ihre Wirksamkeit beeinflussen, wurden untersucht. Jeder Ansatz für Datenpipelines hat bestimmte Vor- und Nachteile, unabhängig davon, ob er framework-basiert, heuristic-basiert oder auf maschinellem Lernen basiert. Jeder Ansatz ist für spezifische Anwendungsfälle geeignet. Daher ist es entscheidend, die Abwägungen zwischen Komplexität, Leistung, Kosten und Skalierbarkeit bei der Auswahl eines Ansatzes für Datenpipelines zu bewerten. Am Ende hebt das Papier eine Reihe offener Fragen und zukünftiger Forschungsrichtungen für Datenpipelines im serverlosen Computing hervor, die Skalierbarkeit, Fehlertoleranz, Echtzeitverarbeitung von Daten, Datenworkflow-Orchestrierung und das Management des Zustands von Funktionen unter Berücksichtigung von Leistung und Kosten in serverlosen Computing-Umgebungen umfassen.
Rad et al. (Tue,) haben diese Frage untersucht.