Question

求大神给翻译一下。。。。

Horizontally-scalable Internet services on clusters of
commodity computers appear to be a great fit for automatic control: there is a target output (service-level agreement), observed output (actual latency), and gain controller (adjusting the number of servers). Yet few datacenters are automated this way in practice, due in part to well-founded skepticism about whether the simple models often used in the research literature can capture complex real-life workload/performance relationships and keep up with changing conditions that might
invalidate the models. We argue that these shortcomings can be fixed by importing modeling, control, and analysis techniques from statistics and machine learning. In particular, we apply rich statistical models of the application’s performance, simulation-based methods for finding an optimal control policy, and change-point methods to find abrupt changes in performance. Preliminary results running a Web 2.0 benchmark application driven by real workload traces on Amazon’s EC2 cloud show that
our method can effectively control the number of servers, even in the face of performance anomalies.

Answer 1

手打翻译，因为对此领域不了解，可能某些专业词汇翻译的不甚准确，请采纳！！

横向可调节的网络服务在商品电脑的应用上似乎是非常合适和可控的： 有目标输出(服务级协议)，被观察到的输出(实际潜在因素)和获取控制器(调整服务器的数量)。 然后几乎没有数据中心在实际上以这种方式自动化，由于在某些方面有充分理由的质疑者质疑经常用在研究文献中简单的模型是否可以捕捉复杂的现实生活中的工作负载/性能的关系并且保持可能导致模型无效的变化状况。我们争辩说这些缺点可能会从数据和机器学习中被输入模型、控制和分析技术修复。特别地，我们应用大量的应用程序性能的数据、应用基于找到最佳控制策略的模拟方法和变点方法找到性能的突然变化。运行一个由亚马逊EC2云上的真实工作负载轨迹驱动的web2.0基准的应用程序，其初步结果显示我们的方法可以有效的控制服务的数量，即使再面对性能反常的情况。

Answer 2

对集群的横向可扩展的互联网服务
商品电脑似乎是一个非常适合自动化控制：有一个目标输出（服务水平协议） ，观察到的输出（实际延迟） ，以及增益控制器（调整服务器的数量） 。然而，很少有数据中心在实践中自动化这样，部分原因是关于简单的模型往往在研究文献中使用的是否可以捕获复杂的真实工作负载/性能的关系，并跟上不断变化的条件有根有据的怀疑，可能
无效的模型。我们认为，这些缺点可以固定通过导入建模，控制，以及统计和机器学习分析技术。具体而言，我们应用的应用程序的性能，基于模拟的方法，找到一个最优控制策略，变点方法丰富的统计模型，以发现性能的突然变化。通过运行实际工作负载驱动的Web 2.0的应用程序基准测试的初步结果痕迹在Amazon的EC2云计算表明，
我们的方法可以有效地控制服务器的数量，即使在性能异常的脸。