Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kebutuhan untuk menyediakan layanan kepada pengguna di seluruh dunia menyebabkan layanan aplikasi web untuk beradaptasi menggunakan teknologi baru dan memadai. Untuk mencapai hal tersebut, layanan cloud servis digunakan untuk memperluas jangkauan geografis dari layanan web di seluruh dunia. Peningkatan kualitas pengembangan deployment aplikasi web terlihat pada Kubernetes, alat yang diadopsi secara luas yang didukung di sebagian besar platform cloud, yang memungkinkan penerapan geo-distributed clusters untuk aplikasi yang memiliki pengguna multinasional. Dikarenakan kelangkaan studi mengenai geo-distributed clusters dan kinerjanya, penelitian ini bermaksud untuk menjembatani kesenjangan pengetahuan tersebut dengan mengimplementasikan solusi menggunakan Istio (Anthos Service Mesh), mesh layanan yang paling banyak digunakan untuk aplikasi Kubernetes, serta solusi cloud native di Google Cloud Platform menggunakan MultiClusterService. Studi ini menemukan bahwa kedua pendekatan tersebut dapat diandalkan, namun, Istio/ASM memiliki latensi yang sedikit lebih rendah untuk sebagian besar request. Kedua pendekatan tersebut merupakan pilihan baik untuk aplikasi global, karena keduanya menggunakan geo-aware load balancing, yang merutekan permintaan pengguna ke klaster terdekat yang tersedia. Basis kode studi dan hasil pengujian ini tersedia secara open-sourced untuk studi lebih lanjut tentang aplikasi berbasis geo-distributed Kubernetes clusters.

---

With the need of providing services to ever-growing worldwide users, web application services must adapt new technologies in order to fulfill these needs. As setting up physical servers across the globe is a daunting task, cloud service providers are an essential tool to reach geographical coverage for worldwide web services. Further advancements on the developer experience of deploying web applications can be seen in tools such as Kubernetes, a widely adopted tool that’s supported in most cloud platforms that enables the implementation of geo-distributed clusters for applications with a multi-national user base. However, there is a scarcity of studies regarding geo-distributed clusters methods and its performance. Therefore, this study intends to bridge that knowledge gap by implementing a solution using Istio (Anthos Service Mesh), the most used service mesh for kubernetes applications as well as a cloud native solution on Google Cloud Platform using MultiClusterService. This study found that both approaches are reliable, however, Istio / ASM has a slightly lower latency for the vast majority of requests. In addition, both approaches are a viable choice for worldwide applications, as they both use geo- aware load balancing, which routes user requests to the nearest available cluster. This study’s scripts and test results are open-sourced for further studies about geo-distributed Kubernetes- based applications. "

"Kebutuhan kesehatan yang semakin meningkat menuntut solusi yang lebih terjangkau bagi pasien untuk memeriksakan kondisi tubuh dan mengobati penyakitnya. Telehealth dengan teknologi cloud computing dapat mengatasi masalah jarak, waktu, dan biaya dalam health check. Arsitektur data warehouse untuk tujuan ini dibuat dengan memanfaatkan fitur Google Cloud Platform dengan menggunakan sampel data detak jantung, tekanan darah sistolik dan diastolik, serta suhu tubuh. Alur data dalam arsitektur Data Warehouse ini mencakup proses ETL menggunakan Cloud Pub/Sub, Cloud Dataflow, dan BigQuery di Google Cloud Platform. Setelah data dimuat di data warehouse, data akan divisualisasikan melalui fitur grafik di Google Sheet. Hasil dari data warehouse ini diharapkan dapat mempermudah respon tenaga medis dalam menangani pasien.

---

Increasing health needs demand more affordable solutions for patients to check their body condition and treat their illness. Telehealth with cloud computing technology can solve the problem of distance, time, and cost in health checks. The data warehouse architecture for this purpose was created by utilizing Google Cloud Platform features by using samples of heart rate data, systolic and diastolic blood pressure, and body temperature. The data flows in this Data Warehouse architecture include ETL processes using Cloud Pub/Sub, Cloud Dataflow, and BigQuery on Google Cloud Platform. After the data is loaded in the data warehouse, the data will be visualized through the graph feature in Google Sheets. The results of this data warehouse are expected to facilitate the response of medical personnel in dealing with patients."