Дослідження проактивного масштабування ресурсів у хмарних середовищах на базі Kubernetes із використанням методів машинного навчання

Abstract

Актуальність дослідження полягає в тому, що сучасні хмарні інфраструктури та контейнеризовані мікросервісні системи функціонують в умовах високої динамічності навантажень, що вимагає від них здатності швидко й ефективно адаптувати обсяг ресурсів без втрати продуктивності та доступності сервісів. Стандартні механізми масштабування Kubernetes, які є реактивними за своєю природою, не завжди здатні своєчасно реагувати на стрибки навантаження, що призводить до деградації SLA, зростання затримок, виникнення пікових перевантажень і нераціонального використання обчислювальних ресурсів. У контексті зростання вимог до надійності, стійкості та економічної ефективності хмарних платформ особливої важливості набувають проактивні підходи до управління ресурсами, засновані на прогнозуванні поведінки системи за допомогою методів машинного навчання та аналізу часових рядів [1]. У дипломній роботі представлено комплексне дослідження теоретичних, методологічних та практичних аспектів побудови інтелектуальної системи проактивного автоматичного масштабування контейнеризованих сервісів у хмарному середовищі Kubernetes. Робота складається з чотирьох розділів, у яких послідовно розкрито фундаментальні основи хмарних технологій, принципи функціонування Kubernetes, особливості аналізу часових рядів і машинного навчання, а також результати практичної реалізації прогнозного механізму масштабування [2,3]. У першому розділі проведено аналітичний огляд концепцій хмарних обчислень, контейнеризації та мікросервісної ар хітектури, які формують основу сучасних масштабованих програмних систем. Детально розглянуто архітектуру Kubernetes, поділ на керуючу та робочу площини, механізми оркестрації та управління ресурсами, що забезпечують автоматизовану підтримку працездатності застосунків у динамічних умовах. Особливу увагу приділено поняттю еластичності хмарної інфраструктури, а також обмеженням наявних реактивних механізмів масштабування, які не завжди здатні забезпечити необхідну швидкість адаптації під час різких змін навантаження. У другому розділі досліджено інструменти моніторингу та збору метрик, зокрема систему Prometheus та засоби візуалізації Grafana, які забезпечують отримання часових рядів, необхідних для подальшого прогнозування. Розглянуто принципи формування метрик продуктивності, їхню роль у прийнятті рішень щодо масштабування та важливість коректної обробки даних для побудови достовірних моделей навантаження. Обґрунтовано потребу у переході від реактивних до проактивних стратегій управління, що базуються на випер еджальному аналізі поведінки системи [4]. У третьому розділі виконано глибоке дослідження методів машинного навчання та аналізу часових рядів, придатних для прогнозування навантаження у хмарних середовищах. Проведено порівняльний аналіз класичних статистичних моделей та глибинних нейронних мереж, визначено їхні переваги та обмеження. Обґрунтовано вибір гібридного підходу, який поєднує LSTM для моделювання

довгострокових залежностей і модель Holt–Winters для стабільності прогнозів на початкових етапах. Розроблено методику підготовки даних, зокрема нормалізацію, формування вікон спостереження та структурування вибірок для навчання та тестування моделей. У четвертому розділі представлено реалізацію компонента проактивного масштабування у форматі Kubernetes Operator, який інтегрує прогнозні моделі у процес ухвалення рішень щодо збільшення або зменшення кількості екземплярів сервісів. Наведено результати експериментальних досліджень, що продемонстрували підвищення мінімального SLA до 87 %, зменшення кількості флуктуацій SLA у шість разів та покращення якості обслуговування на 6 %. Додатково встановлено, що гібридна модель зменшила час холодного запуску майже на дві години, забезпечивши швидшу готовність системи до ефективної роботи [5]. Оцінено вплив розробленої системи на стабільність та ефективність використання ресурсів у реальному хмарному середовищі. У висновках узагальнено результати, які підтвердили ефективність запропонованого підходу, що забезпечує формування автономних, адаптивних і високопродуктивних механізмів управління ресурсами у Kubernetes. Розроблене рішення може бути застосоване у телекомунікаційних сервісах, фінансових платформах, системах електронної комерції та інших видах навантажених розподілених застосунків, що підкреслює його високу практичну цінність.

The relevance of the research lies in the fact that modern cloud infrastructures and containerized microservice systems operate under highly dynamic load conditions, which require the ability to quickly and efficiently adapt resource capacity without compromising performance or service availability. The standard Kubernetes scaling mechanisms, which are reactive by nature, do not always respond in a timely manner to sudden load surges, leading to SLA degradation, increased latency, peak overloads, and inefficient use of computational resources. In the context of growing requirements for reliability, resilience, and cost efficiency of cloud platforms, proactive resource management approaches based on forecasting system behavior using machine learning methods and time-series analysis are becoming particularly important [1]. This thesis presents a comprehensive study of the theoretical, methodological, and practical aspects of building an intelligent system for proactive automatic scaling of containerized services in the Kubernetes cloud environment. The work consists of four chapters that sequentially cover the fundamental principles of cloud technologies, Kubernetes operation, the specifics of time-series analysis and machine learning, as well as the results of practical implementation of the predictive scaling mechanism [2,3]. The first chapter provides an analytical overview of cloud computing concepts, containerization, and microservice architecture, which form the foundation of modern scalable software systems. The architecture of Kubernetes is examined in detail, including the division into control and data planes, orchestration mechanisms, and resource management features that ensure automated application operation in dynamic conditions. Special attention is given to the notion of cloud elasticity and the limitations of existing reactive scaling mechanisms, which often cannot provide the necessary speed of adaptation during abrupt load fluctuations. The second chapter investigates monitoring and metric collection tools, including the Prometheus system and Grafana visualization platform, which provide the time-series data required for further forecasting. The principles of forming performance metrics, their role in scaling decisions, and the importance of proper data preprocessing for building reliable load models are discussed. The need to shift from reactive to p roactive resource management strategies based on predictive analysis is substantiated [4].

The third chapter presents an in-depth study of machine learning methods and time- series analysis suitable for load forecasting in cloud environments. A comparative analysis

of classical statistical models and deep neural networks is conducted, highlight ing their strengths and limitations. A hybrid approach is justified, combining LSTM networks for modeling long-term dependencies with the Holt–Winters model to ensure stable predictions during initial phases. A complete data preparation methodology is develop ed, including normalization, sliding-window formation, and construction of training and testing datasets. The fourth chapter describes the implementation of a proactive scaling comp onent in the form of a Kubernetes Operator that integrates forecasting models directly into the decision-making process regarding increasing or decreasing the number of service instances. Experimental results demonstrate an improvement in minimum SLA to 87%, a sixfold reduction in SLA fluctuations, and a 6% increase in service quality[5].

Additionally, the hybrid model reduced the cold start time by nearly two hours, ensuring faster readiness of the system for efficient operation. The impact of the proposed solution on the stability and resource efficiency of a real cloud environment is evaluated. The conclusions summarize the results, which confirm the effectiveness of the proposed approach that enables the formation of autonomous, adaptive, and high - performance resource management mechanisms in Kubernetes. The developed solution can be applied to telecommunications services, financial platforms, e-commerce systems, and other highly loaded distributed applications, highlighting its strong practical significance.