Operating system (OS) containers enabling the microservice-oriented architecture are becoming popular in the context of Cloud services. Containers provide the ability to create lightweight and portable runtime environments decoupling the application requirements from the characteristics of the underlying system. Services built on containers have a small resource footprint in terms of processing, storage, memory and network, allowing a denser deployment environment. While the performance of such containers is addressed in few previous studies, understanding the failure-repair behavior of the containers remains unexplored. In this paper, from an availability point of view, we propose and compare different configuration models for deploying a containerized software system. Inspired by Google Kubernetes, a container management system, these configurations are characterized with a failure response and migration service. We develop novel non-state-space and state-space analytic models for container availability analysis. Analytical as well as simulative solutions are obtained for the developed models. Our analysis provides insights on k out-of N availability and sensitivity of system availability for key system parameters. Finally, we build an open-source software tool powered by these models. The tool helps Cloud administrators to assess the availability of containerized systems and to conduct a what-if analysis based on user-provided parameters and configurations.

中文翻译：

---

一种容器部署配置的可用性分析方法

支持面向微服务架构的操作系统 (OS) 容器在云服务环境中变得越来越流行。容器提供了创建轻量级和可移植运行时环境的能力，将应用程序需求与底层系统的特征分离。建立在容器上的服务在处理、存储、内存和网络方面的资源占用很小，允许更密集的部署环境。虽然在之前的一些研究中提到了此类容器的性能，但了解容器的故障修复行为仍未得到探索。在本文中，从可用性的角度来看，我们提出并比较了用于部署容器化软件系统的不同配置模型。受容器管理系统 Google Kubernetes 的启发，这些配置的特点是故障响应和迁移服务。我们为容器可用性分析开发了新颖的非状态空间和状态空间分析模型。为开发的模型获得了分析和模拟解决方案。我们的分析提供了对关键系统参数的 k out-of N 可用性和系统可用性敏感性的见解。最后，我们构建了一个由这些模型驱动的开源软件工具。该工具可帮助云管理员评估容器化系统的可用性，并根据用户提供的参数和配置进行假设分析。为开发的模型获得了分析和模拟解决方案。我们的分析提供了对关键系统参数的 k out-of N 可用性和系统可用性敏感性的见解。最后，我们构建了一个由这些模型驱动的开源软件工具。该工具可帮助云管理员评估容器化系统的可用性，并根据用户提供的参数和配置进行假设分析。为开发的模型获得了分析和模拟解决方案。我们的分析提供了对关键系统参数的 k out-of N 可用性和系统可用性敏感性的见解。最后，我们构建了一个由这些模型驱动的开源软件工具。该工具可帮助云管理员评估容器化系统的可用性，并根据用户提供的参数和配置进行假设分析。