Autoscaling Preditivo de Microsserviços usando Kubernetes, Keda e Séries Temporais
dc.contributor.advisor | Aranha, Eduardo Henrique da silva | |
dc.contributor.advisorLattes | https://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=1671962 | pt_BR |
dc.contributor.author | Dantas, Lucas Oliveira | |
dc.contributor.referees1 | Araujo, Daniel Sabino Amorim De | |
dc.contributor.referees1Lattes | https://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=1669545 | pt_BR |
dc.contributor.referees2 | Barroca Filho, Itamir De Morais | |
dc.contributor.referees2Lattes | https://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=2180207 | pt_BR |
dc.date.accessioned | 2024-07-19T13:43:51Z | |
dc.date.available | 2024-07-19T13:43:51Z | |
dc.date.issued | 2024-05-17 | |
dc.description.abstract | The widespread availability of computing devices has paved the way for the development of a new generation of containerized applications that can run in a distributed cloud environment. Additionally, the dynamic nature of the workload demands an elastic deployment of applications that can adapt to any scenario. One of the most popular existing container orchestration systems, Kubernetes, employs a scale strategy based on limits that can be application-dependent and challenging to modify. Furthermore, its vertical scaling approach is disruptive, limiting deployment availability. Scale decisions, rather than being proactive, are reactive in nature. In this work, our goal is to dynamically collect pod resource usage and predict future utilization over a period of time. We aim to use the maximum utilization within this time window for proactive scaling to enhance overall resource utilization. We also contrast Kubernetes' built-in threshold-based scaling policy with a reinforcement learning-based model and a Time Series-based prediction model, utilizing the Facebook framework: Prophet. We demonstrate the benefits of data-driven rules, which can be combined with event-driven automatic scaling, Keda, and the Kubernetes container orchestrator. | pt_BR |
dc.description.resumo | A ampla disponibilidade de dispositivos de computação abriu o caminho para o desenvolvimento de uma nova geração de aplicativos em contêiner que podem ser executados em um ambiente de nuvem distribuída. Além disso, a natureza dinâmica da carga de trabalho exige uma implantação elástica de aplicativos que pode se adaptar a qualquer cenário. Um dos sistemas de orquestração de contêineres mais populares existentes, o Kubernetes, tem uma estratégia de escala baseada em limites que pode ser dependente de aplicativos e difícil de modificar. Além disso, sua abordagem de dimensionamento vertical é disruptiva, limitando a disponibilidade de implantação. As decisões de escala, em vez de serem proativas, são de natureza reativa. Neste trabalho, o objetivo principal é coletar dinamicamente a utilização de recursos de pods e prever a utilização futura por um período de tempo, e usar a utilização máxima dessa janela de tempo para dimensionamento proativo,melhorar a utilização global dos recursos. Também contrastamos a política de escalonamento baseada em limiar incorporada do Kubernetes com uma política de aprendizado por reforço baseada em modelo e o modelo de previsão baseado em Séries Temporais, com a utilização do framework do Prophet. Demonstramos os benefícios das regras baseadas em dados, que podem ser combinadas com o escalonamento automático orientado a eventos, Keda e o orquestrador de contêineres do Kubernetes. | pt_BR |
dc.description.sponsorship | Unimed Natal | pt_BR |
dc.description.sponsorship | Liga Contra o Cancêr | pt_BR |
dc.identifier.citation | DANTAS, Lucas Oliveira. Autoscaling Preditivo de Microsserviços usando Kubernetes, Keda e Séries Temporais. 2024. 44f. Trabalho de Conclusão de Curso (Especialização em Residência em Tecnologia da Informação) - Instituto Metrópole Digital, Universidade Federal do Rio Grande do Norte, Natal, 2024. | pt_BR |
dc.identifier.uri | https://repositorio.ufrn.br/handle/123456789/58823 | |
dc.language | pt_BR | pt_BR |
dc.publisher | Universidade Federal do Rio Grande do Norte | pt_BR |
dc.publisher.country | Brasil | pt_BR |
dc.publisher.department | INSTITUO METROPE DIGITAL (IMD) | pt_BR |
dc.publisher.initials | UFRN | pt_BR |
dc.publisher.program | RESIDÊNCIA EM TECNOLOGIA DA INFORMAÇÃO NA ÁREA DA SAÚDE PARA A LIGA CONTRA O CÂNCER | pt_BR |
dc.rights | Attribution 3.0 Brazil | * |
dc.rights.uri | http://creativecommons.org/licenses/by/3.0/br/ | * |
dc.subject | kubernetes, auto-scaling, keda, series temporais, | pt_BR |
dc.subject | prometheus, ia | pt_BR |
dc.subject.cnpq | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAO | pt_BR |
dc.title | Autoscaling Preditivo de Microsserviços usando Kubernetes, Keda e Séries Temporais | pt_BR |
dc.title.alternative | Predictive Autoscaling of Microservices using Kubernetes, Keda, and Time Series | pt_BR |
dc.type | bachelorThesis | pt_BR |
Arquivos
Pacote Original
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- TCC-Residência TI - Lucas Oliveira Dantas-1.pdf
- Tamanho:
- 1.13 MB
- Formato:
- Adobe Portable Document Format
Nenhuma Miniatura disponível
Licença do Pacote
1 - 1 de 1
Nenhuma Miniatura disponível
- Nome:
- license.txt
- Tamanho:
- 1.45 KB
- Formato:
- Item-specific license agreed upon to submission
Nenhuma Miniatura disponível