Towards MLOps: A DevOps Tools Recommender System for Machine Learning System
National University of Computer and Emerging Sciences（国家计算机与新兴科学大学）
本文针对 MLOps 中开源工具选择困难的问题，提出一种基于项目上下文信息的推荐系统框架，并通过实验证明随机森林方法在四种候选方法中取得最佳推荐效果。
2024-02-20 cs.LG cs.SE
Challenges and Experiences of Iranian Developers with MLOps at Enterprise
本研究通过问卷调查探讨了伊朗开发者在企业中实施 MLOps 的挑战与经验，指出数据质量、资源缺乏、模型部署及跨团队协作是主要障碍。
2024-02-19 cs.SE
Professional Insights into Benefits and Limitations of Implementing MLOps Principles
本文通过与6名开发者进行焦点小组研究，评估了在线监督学习中实施MLOps原则的收益与局限，指出其投资回报取决于项目规模与部署需求，为平衡实施成本与项目收益提供了专业见解。
2024-03-19 cs.SE
Navigating MLOps: Insights into Maturity, Lifecycle, Tools, and Careers
本文针对MLOps生命周期框架与成熟度模型不一致导致的实践混乱，提出了一个统一且纳入LLMOps的MLOps生命周期框架，并概述了不同成熟度级别下的关键角色、工具与成本，以帮助组织有效分配资源并实施MLOps。
2025-03-19 cs.SE
Machine Learning Operations: A Mapping Study
Arizona State University（亚利桑那州立大学）
本文通过系统映射研究梳理了MLOps在数据、模型构建和部署流水线中的挑战，并提出适用于研究与工业环境的通用工具和解决方案建议。
2024-09-28 cs.LG cs.SE
Who Needs MLOps: What Data Scientists Seek to Accomplish and How Can MLOps Help?
在持续的软件工程实践之后，人们对快速部署称为MLOps的机器学习（ML）功能的兴趣越来越大。在本文中，我们研究了MLOp在数据科学家日常活动中的重要性，基于一项调查，我们收集了来自63个不同国家的331名ML领域专业人士的回复，表明他们在过去三个月里正在从事的工作。根据结果，高达40%的受访者表示他们同时使用模型和基础设施;大部分工作围绕关系和时间序列数据;待解决的最大类别的问题是预测分析，时间序列数据和计算机视觉。最大的感知问题围绕着数据，尽管人们已经意识到了与将模型部署到生产和相关过程相关的问题。假设一下，我们认为调查中所代表的组织可以分为三类-（i）找出如何最好地使用数据;（ii）专注于构建第一个模型并将其投入生产;（iii）管理多个模型，它们的版本和训练数据集，以及重新训练和频繁部署重新训练的模型。在结果中，大多数答复者属于第（i）或第（ii）类，侧重于数据和模型;然而，只有在需要经常重新培训和重新部署时，MLOp的好处才出现在第（iii）类中。因此，当一个组织将ML作为概念验证的一步，将ML作为名义活动的一部分时，建立MLOps管道是一个自然的步骤。
2021-03-16 cs.SE
Towards an MLOps Architecture for XAI in Industrial Applications
University of Hildesheim（希尔德斯海姆大学）；Prodrive Technologies（Prodrive技术公司）；Umeå University（于默奥大学）；Delft University of Technology（代尔夫特理工大学）；ABB Corporate Research Germany（ABB德国企业研究院）；Signify（昕诺飞）；Capgemini Invent（凯捷Invent）；Viking Analytics（Viking分析公司）；Linköping University（林雪平大学）
针对工业环境中机器学习模型部署复杂且缺乏解释性导致被绕过的问题，提出了一种整合解释与反馈能力的新型MLOps软件架构，并在EXPLAIN项目的工业用例中验证了其有效管理模型及提升可解释性的优势。
2023-10-20 cs.AI cs.SE
Operationalizing AI: Empirical Evidence on MLOps Practices, User Satisfaction, and Organizational Context
Hankuk University of Foreign Studies（韩国外国语大学）
本研究通过分析8000多条G2.com用户评论，发现九项MLOps实践中有七项与用户满意度显著正相关，且组织背景影响其普遍性，但MLOps实践一旦应用便在各组织中均被视为普遍有益。
2025-10-11 cs.AI cs.CL cs.HC
SecMLOps: A Comprehensive Framework for Integrating Security Throughout the MLOps Lifecycle
Carleton University（卡尔顿大学）；Queen’s University（皇后大学）；Polytechnique Montréal（蒙特利尔高等工程学院）
SecMLOps提出了一种全面的框架，用于在整个MLOps生命周期中集成安全措施，通过实证评估展示了其在提升ML应用安全性和性能平衡方面的贡献。
2026-01-15 cs.CR cs.SE
Reusable MLOps: Reusable Deployment, Reusable Infrastructure and Hot-Swappable Machine Learning models and services
针对机器学习模型运营化困难、团队割裂和资源浪费问题，本文介绍 Acumos AI 平台及其模型运行器，提出可复用 MLOps，通过热插拔在不拆除基础设施或微服务的情况下部署新模型。
2024-02-19 cs.CY cs.SE
Edge Impulse: An MLOps Platform for Tiny Machine Learning
John A. Paulson School of Engineering and Applied Sciences, Harvard University（哈佛大学约翰·A·保尔森工程与应用科学学院）；Edge Impulse（Edge Impulse（边缘脉冲公司））
针对TinyML工作流软件栈碎片化、硬件异构导致模型优化难、移植性差的问题，本文提出基于云的MLOps平台Edge Impulse，通过多软硬件优化构建可扩展可移植软件栈以简化设计周期，截至2022年10月已承载超11万项目。
2023-04-28 cs.DC cs.LG cs.SE
Trustworthy Self-Composable Big-Data-as-a-Service: An LLM-Orchestrated Multi-Agent Framework for Automated Data Engineering, AutoML, MLOps Deployment, and Drift-Aware Lifecycle Optimization
School of Information, Computer, and Communication Technology（信息、计算机与通信技术学院）；Sirindhorn International Institute of Technology, Thammasat University（素金国际技术研究所，泰国 Thammasat 大学）
提出一种基于LLM编排的多智能体BDaaS框架，通过分解生命周期为专用智能体并协调执行，实现自动化数据工程、AutoML、MLOps部署和漂移感知优化，提升生命周期级可靠性。
2026-06-17 cs.AI cs.DB cs.MA
MLOps Challenges in Multi-Organization Setup: Experiences from Two Real-World Cases
互联数字世界的新兴时代意味着有大量的数据分布在各种组织及其数据库中。由于这些数据在本质上是机密的，因此在寻求人工智能（AI）和机器学习（ML）解决方案时，它不能总是公开共享。相反，我们需要集成机制，类似于信息系统中的集成模式，以创建多组织AI/ML系统。在本文中，我们提出了两个现实世界的情况下。首先，我们详细研究了两个组织之间的集成。其次，我们将AI/ML扩展到多组织环境。我们假设的设置是持续部署，通常在软件开发中称为DevOps。当ML组件也以类似的方式部署时，使用术语MLOps。在论文的最后，我们列出了主要的观察结果，并得出了一些最后的结论。最后，我们提出了一些未来工作的方向。
2021-03-16 cs.SE
Operationalizing Machine Learning: An Interview Study
University of California, Berkeley（加州大学伯克利分校）
组织依赖于机器学习工程师（MLE）来操作ML，即，在生产中部署和维护ML管道。ML（或MLOps）的操作过程包括以下几个方面的持续循环：（i）数据汇集和标记，（ii）实验以提高ML性能，（iii）在多阶段部署过程中进行评估，以及（iv）监控生产中的性能下降。当综合考虑时，这些责任看起来令人震惊--任何人都是如何做MLOp的，有哪些未解决的挑战，以及对工具构建者的影响是什么？我们对18位MLE进行了半结构化的人种学采访，这些MLE在许多应用程序中工作，包括聊天机器人、自动驾驶汽车和金融。我们的访谈揭示了决定生产ML部署成功的三个变量：速度，验证和版本控制。我们总结了成功的ML实验，部署和维持生产性能的常见实践。最后，我们讨论了受访者的痛点和反模式，以及对工具设计的影响。
2022-09-16 cs.HC cs.LG cs.SE
SmartMLOps Studio: Design of an LLM-Integrated IDE with Automated MLOps Pipelines for Model Development and Monitoring
Technical University of Munich（慕尼黑工业大学）；University of California, Davis（加利福尼亚大学戴维斯分校）；Carnegie Mellon University（卡内基梅隆大学）
针对传统IDE缺乏ML全生命周期智能支持的问题，本研究提出SmartMLOps Studio，通过集成LLM助手与自动化MLOps流水线，实现模型开发与监控的一体化，显著提升配置效率、可重复性与漂移检测准确率。
2025-11-03 cs.AI cs.SE
The Collective Knowledge project: making ML models more portable and reproducible with open APIs, reusable best practices and MLOps
cTuning foundation（cTuning基金会）；cKnowledge SAS（cKnowledge SAS公司）
本文概述了集体知识技术（CK或cKnowledge）。CK试图让机器学习和系统研究更容易重现，在生产中部署机器学习模型，并使其适应不断变化的数据集、模型、研究技术、软件和硬件。CK的概念是将复杂的系统和特别的研究项目分解为具有统一API、CLI和JSON Meta描述的可重用子组件。这些组件可以使用DevOps原则与可重用的自动化操作、软件检测插件、Meta包和公开的优化参数相结合连接到可移植的工作流中。CK工作流可以自动插件来自不同供应商的不同模型、数据和工具，同时在不同的平台和环境中以统一的方式构建、运行和基准测试研究代码。这样的工作流程还有助于执行整个系统优化，重现结果，并使用CK平台上的公共或私人记分牌（https：//www.example.com）进行比较。cKnowledge.io例如，模块化CK方法已与工业合作伙伴成功验证，可自动协同设计和优化软件、硬件和机器学习模型，以实现速度、准确性、能量、尺寸和其他特性方面的可再现和高效目标检测。长期目标是通过帮助研究人员和从业者使用开放的CK API共享和重用他们的知识、经验、最佳实践、工件和技术，简化和加速ML模型和系统的开发和部署。
2020-06-18 cs.LG cs.SE stat.ML
CTML: A Comprehensive Framework for Continuous Testing in Machine Learning Operations
American University of Bahrain（巴林美国大学）
本文提出面向MLOps环境的CTML框架，通过模块化架构实现数据质量等四维度的ML系统持续测试，在预测性维护案例中有效识别传统测试遗漏的问题，推动了MLOps质量保证标准发展。
2026-10-12 cs.SE
Enabling Autonomous Teams and Continuous Deployment at Scale
在本文中，我们根据挪威劳动和福利管理局父母福利项目的经验，为大型敏捷开发项目提供了过渡到更敏捷交付模型的建议。该项目现代化了组织IT组合的核心部分，并包括多达10个并行工作的开发团队。该项目成功地从使用结合了传统项目管理元素和敏捷方法的交付模式转变为具有自治团队和持续部署的更敏捷的交付模式。这一过渡与项目执行同步完成。我们确定了对考虑类似变化的其他组织有用的关键经验教训，并报告了新的交付模式如何降低风险，并为实现数字化带来的好处开辟了一系列新的可能性。
2022-11-14 cs.SE
Challenges and Barriers of Using Low Code Software for Machine Learning
随着大数据在许多领域变得无处不在，越来越多的利益相关者寻求在他们的数据上开发机器学习（ML）应用程序。ML应用程序的成功通常取决于ML专家和领域专家的密切合作。然而，ML工程师的短缺仍然是一个根本问题。低代码机器学习工具/平台（又名AutoML）旨在通过自动化ML管道中的许多重复任务，将ML开发民主化给领域专家。这项研究对Stack Overflow（SO）中包含AutoML相关讨论的大约14 k个帖子（问题+接受的答案）进行了实证研究。我们研究了这些主题如何在各个机器学习生存周期（MLLC）阶段中传播，以及它们的受欢迎程度和难度。这项研究提供了几个有趣的发现。首先，我们找到了13个AutoML主题，我们将其分为四类。MLOps主题类别（43%问题）是最大的，其次是模型（28%问题），数据（27%问题），文档（2%问题）。其次，大多数问题是在模型训练期间提出的（29%）（即，实施阶段）和数据准备（25%）MLLC阶段。第三，AutoML从业者发现MLOps主题类别最具挑战性，特别是与模型部署和监控以及自动化ML管道相关的主题。这些发现对所有三个AutoML利益相关者都有影响：AutoML研究人员，AutoML服务供应商和AutoML开发人员。学术界和工业界的合作可以改善AutoML的不同方面，例如更好的DevOps/部署支持和基于教程的文档。
2022-11-09 cs.SE
An Empirical Study of Architecting for Continuous Delivery and Deployment
最近，许多软件组织已经采用持续交付和持续部署（CD）实践来更频繁和可靠地开发和交付高质量的软件。虽然越来越多的文献涵盖了CD的不同方面，但对软件架构在CD中的作用以及应用程序应如何（重新）架构以启用和支持CD知之甚少。我们进行了一项混合方法的实证研究，收集数据，通过深入，半结构化的采访，从19个组织的21个行业从业者，和91个专业软件从业者的调查。基于对收集的定性和定量数据进行系统和严格的分析，我们提出了一个概念框架来支持CD的（重新）架构过程。我们提供了关于在整体系统中实践CD的基于证据的见解，并将“小型独立部署单元”的原则描述为整体系统的替代方案。我们的框架通过引入质量属性（例如，恢复力），需要更多的关注和展示的战略（例如，优先考虑操作问题），以设计操作友好的架构。我们讨论了关键的见解（例如，monoliths和CD本质上并不矛盾），并得出对研究和实践的启示。
2018-08-27 cs.SE
Continuous Integration, Delivery and Deployment: A Systematic Review on Approaches, Tools, Challenges and Practices
背景：持续的做法，即，持续集成、交付和部署是软件开发行业的实践，使组织能够频繁可靠地发布新功能和产品。随着对持续实践的兴趣和文献的不断增加，系统地审查和综合采用和实施持续实践的方法、工具、挑战和实践是很重要的。目的：这项研究的目的是系统地审查最先进的持续做法，对方法和工具进行分类，确定这方面的挑战和做法，并确定未来研究的差距。方法：我们使用系统文献综述（SLR）方法对2004年至2016年6月1日期间发表的关于连续实践的同行评审论文进行了综述。我们采用主题分析方法分析从审查69篇论文中提取的数据，使用预定义的标准。结果如下：我们已经确定了30种方法和相关工具，这些方法和工具通过以下方式促进了持续实践的实现：（1）“减少持续集成（CI）中的构建和测试时间";（2）“增加CI中构建和测试结果的可见性和意识”;（3）“支持（半）自动化持续测试”;（4）“检测CI中的违规、缺陷和故障”;（5）“减少CI中的构建和测试时间”。（5）“解决部署管道中的安全性和可伸缩性问题”，以及（6）“提高部署过程的可靠性和可靠性”。我们还确定了一系列关键因素，如“测试（努力和时间）”，“团队意识和透明度”，“良好的设计原则”，“客户”，“高技能和积极性的团队”，“应用领域”和“适当的基础设施”，这些因素在特定组织中引入持续实践时应该仔细考虑。
2017-03-21 cs.SE
Towards Continuous Integration and Continuous Delivery in the Automotive Industry
开发周期越来越短，汽车行业正在建立持续集成和交付。我们概述了汽车部署管道的特点，介绍了使用的技术，并分析了特斯拉的交付作为一个最先进的展示。
2016-12-13 cs.SE
Analysis of Software Delivery Process Shortcomings and Architectural Pitfalls
本文通过研究两个使用Microsoft.Net框架构建的企业级Web应用程序产品，突出了软件架构，开发和交付过程过于复杂的常见陷阱。本文的目的是识别，讨论和分析架构，开发和部署问题，并使用现实世界的例子，从所选的软件产品作为案例研究中吸取教训。
2016-07-09 cs.SE
Towards a Theory on Architecting for Continuous Deployment
内容：随着持续交付实践在软件组织中的采用增加，不同的场景都在努力使其在长期发展中适应其产品。这项研究着眼于具体的软件架构作为成功实现持续交付目标的相关因素。目的：本研究旨在了解软件架构的设计如何影响其软件产品的持续部署。方法：我们进行了系统的文献回顾，以确定适当的证据，关于研究目标。我们采用基于扎根理论的综合和分析方法对所选来源进行了分析。结果：我们选择了14个主要来源。通过我们的分析过程，我们开发了一种理论来解释持续部署的架构设计现象。该理论描述了支持持续部署架构的其他三种现象：支持操作、持续演进和提高可部署性。此外，该理论包括以下要素：背景，行动和相互作用，质量属性，原则和效果。我们实例化了这些元素并确定了它们的相互关系。通过提供从所选源到元素的双向可追溯性来支持该理论，反之亦然。结论：开发适当的架构在实现持续交付方面发挥着至关重要的作用。支持操作对于提高软件架构的可部署性和可监控性变得至关重要。这两个结果要求开发人员承担维护操作的责任。架构的持续发展是必不可少的，但它必须考虑技术债务的平衡管理。最后，提高可部署性需要关注测试策略以及它如何影响停机时间以实现有效的管道。
2021-08-21 cs.SE
Model Share AI: An Integrated Toolkit for Collaborative Machine Learning Model Development, Provenance Tracking, and Deployment in Python
Columbia University（哥伦比亚大学）；Modelshare AI
本文提出 Model Share AI（AIMS）MLOps 平台，集成协作开发、基于未见数据的性能排名、元数据溯源跟踪，以及多框架模型到 REST API 和 Web 应用的低代码部署。
2023-09-27 cs.AI cs.LG cs.SE
AWML: An Open-Source ML-based Robotics Perception Framework to Deploy for ROS-based Autonomous Driving Software
TIER IV, Inc（TIER IV公司）
本文提出开源框架AWML，为基于ROS的自动驾驶提供MLOps支持，除模型部署外还集成自动标注、半自动标注与数据挖掘的主动学习流水线。
2025-05-31 cs.RO cs.SE
Linking Stakeholders' Viewpoint Concerns and Microservices-based Architecture
敏捷项目管理的广泛采用，微服务的独立交付以及DevOps的自动化部署极大地加快了系统开发。真正改变游戏规则的是持续集成（CI）、持续交付和持续部署（CD）。组织可以一天发布多个版本，将测试、发布和部署周期从数周缩短到数分钟。Docker等容器技术和Kubernetes等容器编排平台的成熟促进了微服务架构的发展，特别是在云原生开发中。有各种工具可用于设置CI/CD管道。组织正在远离单体应用程序，转向基于微服务的架构。组织可以通过应用程序编程接口（API）快速积累数百个此类微服务。这些现代方法的主要目的是敏捷性、速度和可重用性。虽然DevOps提供了速度和上市时间，但除非微服务和API与企业范围的利益相关者的需求相关联，否则敏捷性和可重用性可能无法得到保证。业务需求和微服务/API之间的联系没有得到很好的捕捉，也没有得到充分的定义。在本出版物中，我们描述了一种结构化方法，用于在API和基于微服务的敏捷开发之间创建逻辑链接，并考虑企业利益相关者的需求和观点。这种方法能够捕获和记录企业范围内利益相关者的需求，无论这些利益相关者是企业所有者、规划者（产品所有者、架构师）、设计者（开发人员、DevOps工程师）还是企业的合作伙伴和订阅者。
2020-09-13 cs.SE
BayesInsights: Modelling Software Delivery and Developer Experience with Bayesian Networks at Bloomberg
Bloomberg（彭博）；UCL（伦敦大学学院）
本文介绍了布莱尔集团开发的BayesInsights工具，通过贝叶斯网络可视化软件工程过程中的因果依赖关系，帮助识别软件交付挑战，获得24名高级从业者95.8%的积极反馈。
2026-03-31 cs.SE
Problems and Solutions of Continuous Deployment: A Systematic Review
软件行业需要适应快速变化的市场。持续实践（持续集成，持续交付和持续部署），通常在敏捷开发过程中发现，有可能更频繁地向客户交付新功能，集成较小的功能比更传统的方法更不容易引起冲突。然而，持续部署并没有明确的方法来实现它们的最佳方法。目的：本文的目标是确定与持续部署相关的挑战和解决方案，然后查看哪些解决方案可以应用于哪些挑战。方法：本文是一个系统的文献回顾的问题和解决方案时，实施持续部署的做法在一个组织。它还介绍了哪种解决方案可以适用于哪种问题。针对本SLR分析了2015年之后发表的31篇文章。结果如下：22个问题被分为人类和组织，过程，工具，基础设施，应用程序架构和测试等类别。找到的19个解决方案被分为人类和组织，架构，流程和工具等类别。解决了14个问题，并确定了一些问题，为今后的研究。结论：本文旨在为希望在实现持续部署实践时找到如何解决特定挑战的实践者提供参考。
2018-12-21 cs.SE
HAIF: A Human-AI Integration Framework for Hybrid Team Operations
ProjectWorkLab SL；Barcelona, Spain（巴塞罗那）
HAIF框架旨在解决混合团队中AI与人类协作的组织问题，通过协议驱动、可扩展的操作系统，结合四个核心原则和反馈机制，实现无缝集成到现有工作流程中。
2026-02-07 cs.HC cs.SE
DevOps Automation Pipeline Deployment with IaC (Infrastructure as Code)
本文针对DevOps部署中CI/CD流水线的现有流程优化需求，结合示例明确DevOps的实际落地方式，演示IaC与流水线即代码的实施策略，消除相关方法论的定义歧义。
2025-03-20 cs.ET cs.SE
Studying the Practices of Deploying Machine Learning Projects on Docker
Polytechnique Montreal（蒙特利尔理工学院）
Docker是一种容器化服务，允许通过几行代码方便地部署网站，数据库，应用程序的API和机器学习（ML）模型。最近的研究探索了Docker在部署一般软件项目中的使用，但没有特别关注Docker如何用于部署基于ML的项目。在这项研究中，我们进行了一项探索性研究，以了解Docker如何用于部署基于ML的项目。作为第一步，我们检查了使用Docker的基于ML的项目的类别。然后，我们研究了这些项目为什么以及如何使用Docker，以及生成的Docker镜像的特征。我们的研究结果表明，六类基于ML的项目使用Docker进行部署，包括ML应用程序，MLOps/ AIOps，工具包，DL框架，模型和文档。我们推导出了21个主要类别的分类，这些类别代表了使用Docker的目的，包括那些特定于模型的类别，如模型管理任务（例如，测试、培训）。然后，我们展示了ML工程师使用Docker镜像主要是为了帮助实现平台可移植性，例如跨操作系统、GPU等运行时和语言约束传输软件。然而，我们也发现，由于镜像层中包含大量文件，并且目录嵌套很深，因此可能需要更多的资源来运行Docker镜像以构建基于ML的软件项目。我们希望阐明使用容器部署ML软件项目的新兴实践，并强调应该改进的方面。
2022-06-01 cs.AI cs.SE
A Systematic Literature Review on Continuous Integration and Deployment (CI/CD) for Secure Cloud Computing
本文通过对66篇论文进行系统性文献综述，梳理云计算中CI/CD安全的工具、方法、挑战与研究空白。
2025-06-09 cs.CR cs.SE
Rapid Regression Detection in Software Deployments through Sequential Testing
持续部署的实践使公司能够通过提高软件部署的速度来缩短上市时间。但是，更频繁地部署会带来偶尔发布有缺陷的更改的风险。对于互联网公司来说，这有可能降低用户体验，增加用户放弃。因此，质量控制门是软件交付过程的重要组成部分。这些用于建立对发布或变更可靠性的信心。为此，一种常见的方法是执行金丝雀测试来评估生产工作负载下的新软件。尽早检测缺陷对于减少曝光和向开发人员提供即时反馈是必要的。我们提出了一个统计框架，用于快速检测软件部署中的回归。我们的方法是基于随机顺序和平等分布的顺序测试。这使得金丝雀测试能够被连续监控，允许回归被快速检测，同时严格控制整个错误检测概率。这种方法的实用性是基于Netflix的两个案例研究。
2022-06-22 cs.SE stat.AP
Achieving Operational Scalability Using Razee Continuous Deployment Model and Kubernetes Operators
云计算领域的最新进展已经导致在简化针对不同需求的硬件和软件的采购方面取得了巨大进步。通过将企业工作负载迁移到托管云产品（私有云、公共云、混合云），客户可以委派与网络连接、云资源采购、应用程序部署、软件补丁和升级等相关的日常任务和劳动密集型维护活动，这通常会转化为高可用性和降低成本等优势。容器和基于微服务的部署的流行使Kubernetes成为交付应用程序的事实标准。然而，即使使用Kubernetes编排，云服务提供商也经常遇到操作可扩展性问题，因为缺乏持续集成和持续部署（CICD）自动化，并且在管理跨多个数据中心/可用性区域的大量软件部署时对人工操作员的需求增加。Kubernetes通过使用Operators创建和管理自定义应用程序，以一种新颖的方式解决了这个问题。敏捷方法论提倡增量式CICD，被云提供商采用。然而，具有讽刺意味的是，正是这种应用程序更新、Kubernetes集群升级等的持续交付功能，这也是云提供商的祸根。在本文中，我们将演示如何使用IBM开源项目Razee作为可扩展的持续部署框架来部署开源RStudio和Nginx Operator。我们将讨论IBM Watson SaaS应用程序操作员，区块链应用程序和Kubernetes资源更新等，可以类似地部署和使用Operator来执行应用程序生存周期管理。我们断言，将Razee与Kubernetes上的Operators结…
2020-12-18 cs.DC cs.SE
