Autoscaling Preditivo de Microsserviços usando Kubernetes, Keda e Séries Temporais

dc.contributor.advisorAranha, Eduardo Henrique da silva
dc.contributor.advisorLatteshttps://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=1671962pt_BR
dc.contributor.authorDantas, Lucas Oliveira
dc.contributor.referees1Araujo, Daniel Sabino Amorim De
dc.contributor.referees1Latteshttps://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=1669545pt_BR
dc.contributor.referees2Barroca Filho, Itamir De Morais
dc.contributor.referees2Latteshttps://sigaa.ufrn.br/sigaa/public/docente/portal.jsf?siape=2180207pt_BR
dc.date.accessioned2024-07-19T13:43:51Z
dc.date.available2024-07-19T13:43:51Z
dc.date.issued2024-05-17
dc.description.abstractThe 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.resumoA 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.sponsorshipUnimed Natalpt_BR
dc.description.sponsorshipLiga Contra o Cancêrpt_BR
dc.identifier.citationDANTAS, 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.urihttps://repositorio.ufrn.br/handle/123456789/58823
dc.languagept_BRpt_BR
dc.publisherUniversidade Federal do Rio Grande do Nortept_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentINSTITUO METROPE DIGITAL (IMD)pt_BR
dc.publisher.initialsUFRNpt_BR
dc.publisher.programRESIDÊNCIA EM TECNOLOGIA DA INFORMAÇÃO NA ÁREA DA SAÚDE PARA A LIGA CONTRA O CÂNCERpt_BR
dc.rightsAttribution 3.0 Brazil*
dc.rights.urihttp://creativecommons.org/licenses/by/3.0/br/*
dc.subjectkubernetes, auto-scaling, keda, series temporais,pt_BR
dc.subjectprometheus, iapt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO::SISTEMAS DE COMPUTACAOpt_BR
dc.titleAutoscaling Preditivo de Microsserviços usando Kubernetes, Keda e Séries Temporaispt_BR
dc.title.alternativePredictive Autoscaling of Microservices using Kubernetes, Keda, and Time Seriespt_BR
dc.typebachelorThesispt_BR

Arquivos

Pacote Original

Agora exibindo 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
Baixar

Licença do Pacote

Agora exibindo 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
Baixar