Оптимізація автоскейлінгу в Kubernetes за допомогою штучного інтелекту

Скорочена інформація про документ
dc.contributor.advisorШаповал, Наталія Віталіївна
dc.contributor.authorТхай, Ольга Олексіївна
dc.date.accessioned2025-09-05T10:07:16Z
dc.date.available2025-09-05T10:07:16Z
dc.date.issued2025
dc.description.abstractДипломна робота: 146 с., 37 рис., 11 табл., 44 посилань, 1 додаток. Об’єктом дослідження є процес масштабування ресурсів у Kubernetes кластерах. Предметом дослідження є моделі прогнозування навантаження для задачі оптимізації масштабування обчислювальних ресурсів у середовищі Kubernetes. Метою роботи є оптимізація автоскейлінгу в Kubernetes шляхом впровадження моделей машинного навчання, здатних прогнозувати навантаження на CPU, з метою забезпечення ефективнішого управління обчислювальними ресурсами. Kubernetes є основою сучасної хмарної інфраструктури, однак класичні механізми автоскейлінгу, як HPA чи VPA, працюють за реактивним принципом та мають затримки у масштабуванні, що призводить до перевантаження або перевитрати ресурсів. У цій роботі запропоновано проактивний підхід, що ґрунтується на прогнозуванні навантаження за допомогою нейронних мереж. Було проведено порівняльний аналіз архітектур, оброблено реальний часовий ряд метрик навантаження, та запропоновано архітектуру для інтеграції моделі у середовище Kubernetes.
dc.description.abstractotherBachelor's thesis: 146 p., 37 figures, 11 tables, 44 references, appendix. The object of the study is the process of resource scaling in Kubernetes clusters. The subject of this research is load-forecasting models for the optimization of computational resource scaling in a Kubernetes environment. The purpose of the work is to optimize autoscaling in Kubernetes by implementing machine learning models capable of forecasting CPU load, thereby enabling more efficient management of computational resources. Kubernetes is the backbone of modern cloud infrastructure; however, traditional autoscaling mechanisms, such as HPA and VPA, operate reactively and exhibit latency in scaling decisions, often resulting in resource overuse or overload. This thesis proposes a proactive approach based on load forecasting using neural networks. A comparative analysis of various architectures was conducted, a real-time series of load metrics were processed, and an architecture for integrating the forecasting model into the Kubernetes environment was proposed.
dc.format.extent146 с.
dc.identifier.citationТхай, О. О. Оптимізація автоскейлінгу в Kubernetes за допомогою штучного інтелекту : дипломна робота … бакалавра : 122 Комп'ютерні науки / Тхай Ольга Олексіївна. – Київ, 2025. – 146 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/75831
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectкубернетес
dc.subjectавтоскейлінг
dc.subjectпрогнозування навантаження
dc.subjectштучний інтелект
dc.subjectнейронні мережі
dc.subjectrnn
dc.subjectlstm
dc.subjectgru
dc.subjecttransformer
dc.subjectfan
dc.subjectkan
dc.subjectпроактивне масштабування
dc.subjectхмарні обчислення
dc.subjectkubernetes
dc.subjectautoscaling
dc.subjectload forecasting
dc.subjectartificial intelligence
dc.subjectneural networks
dc.subjectproactive autoscaling
dc.subjectcloud computing
dc.titleОптимізація автоскейлінгу в Kubernetes за допомогою штучного інтелекту
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Tkhai_bakalavr.pdf
Розмір:
5.73 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ШІ)
Бакалаврські роботи