Інформаційна технологія управління обчислювальними ресурсами в Kubernetes кластері

dc.contributor.advisorРолік, О. І.
dc.contributor.authorОмельченко, Віталій Вікторович
dc.date.accessioned2025-05-05T08:58:18Z
dc.date.available2025-05-05T08:58:18Z
dc.date.issued2025
dc.description.abstractОмельченко В. В. Інформаційна технологія управління обчислювальними ресурсами в Kubernetes кластері. – Кваліфікаційна наукова праця на правах рукопису. Дисертація на здобуття наукового ступеня доктора філософії за спеціальністю 126 – Інформаційні системи та технології в галузі знань 12 – Інформаційні технології. – Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського», Київ, 2025. Дисертаційна робота присвячена вирішенню проблеми автоматизації управління обчислювальними ресурсами в кластерах Kubernetes. Сучасні інформаційні системи підтримують велику кількість застосунків. Одним із важливих факторів для підтримання заданого рівня якості послуг є забезпечення компонентів інформаційної системи достатнім об’ємом обчислювальних ресурсів. Обчислювальні та фінансові ресурси є обмеженими, що вимагає постійного пошуку балансу між рівнем послуг та об’ємом ресурсів. Автоматизація процесів управління ІТ-інфраструктурою дозволяє підвищити ефективність використання обчислювальних ресурсів кластера при дотриманні необхідного рівня якості послуг, що надаються. Проведено аналіз існуючих методів прогнозування часових рядів в контексті робочих навантажень на доцільність їх використання для проактивного масштабування. Для порівняння обрано поширені методи прогнозування для часових рядів з врахуванням сезонностей, тенденцій та запланованих подій. Проведені експериментальні дослідження оцінки точності обраних методів на типових шаблонах робочих навантажень на основі історичних даних різної довжини. Також досліджено стійкість даних методів до наявності аномалій в історичних даних. На основі проведених експериментів обрано множину методів для прогнозування робочих навантажень в проактивному масштабуванні. Запропоновано метод комбінованого прогнозування з поєднанням компонентів довгострокового та короткострокового передбачення. Навантаження застосунків може включати аномалії, що призводить до некоректного розподілу обчислювальних ресурсів при проактивному управлінні. Метод комбінованого прогнозування дозволяє підвищити стійкість рішень для проактивного масштабування при наявності аномалій з визначеним шаблоном без постійної періодичності. Довгострокове прогнозування використовується для передбачення комплексних сезонностей і тенденцій. Короткострокове прогнозування відповідає за ідентифікацію аномалій в поточному навантаженні та визначення їх масштабу шляхом зіставлення поточного і минулих шаблонів. Комбінування прогнозів двох методів відбувається за допомогою вагових коефіцієнтів, які визначаютьсяшляхом вирішення задачі максимізації на даних для тестування. Проведено експериментальне дослідження запропонованого методу. Результати демонструють підвищення загальної точності з 91% до 95% на тестових даних за умови наявності аномальних шаблонів в історичних даних. Використання запропонованого комбінованого методу прогнозування в рішеннях для проактивного масштабування може підвищити ефективність управління обчислювальними ресурсами. Запропоновано метод проактивного масштабування обчислювальних ресурсів. Проактивні методи масштабування дозволяють надавати консистентний рівень якості послуг при ефективному використанні обчислювальних ресурсів. Описано модель проактивного управління. Запропоновано архітектуру модуля проактивного масштабування, яка включає модулі даних, прогнозування, застосування та прийняття рішень. Описано використання методу в умовах відсутності даних або низької точності отриманих прогнозів. На основі проведеного аналізу методів прогнозування обрано рішення для подальшого використання та розробки програмного модуля. Реалізовано програмний модуль для горизонтального проактивного масштабування в Kubernetes з використанням вбудованих інструментів. Проведено експериментальне дослідження розробленого програмного модуля на кластері Kubernetes для порівняння зі статичним та реактивним підходами масштабування. У порівнянні з надлишковим статичним підходом отримано аналогічний рівень якості послуг при використанні на 46% меншого об’єму ресурсів. У порівнянні з реактивним підходом середній час відповіді застосунку зменшився з 160 мс до 23 мс. Запропоновано гібридний метод масштабування, що включає реактивний і проактивний компоненти. Комбінація даних методів дозволяє використовувати проактивне управління при наявності точних прогнозів. При виникненні аномалій навантаження і неможливості точно оцінити їх масштаб, управління передається реактивному компоненту. Запропоновано індикатор переходу між проактивним і реактивним управлінням на основі порівняння відповідності отриманих прогнозів до поточного навантаження на застосунок. Рівень точності прогнозів визначається протягом заданої кількості ітерацій. Для забезпечення оперативної передачі управління забезпечується робота обох компонентів незалежно від поточного стану. Реалізовано програмний модуль з використанням розробленого проактивного методу і вбудованого рішення для реактивного масштабування в Kubernetes. Проведено експериментальне дослідження розробленого програмного модуля. Результати демонструють здатність запропонованого методу ідентифікувати аномалії та передавати управління між компонентами за визначеними правилами. Запропоновано гібридний метод масштабування, що дозволяє координувати роботу горизонтального і вертикального компонентів масштабування. Метод дозволяє підвищити ефективність використання обчислювальних ресурсів кластера при використанні горизонтального масштабування. Вертикальний компонент адаптує об’єм обчислювальних ресурсів до поточних потреб в межах одного екземпляру для типів обчислювальних ресурсів, які не є основними при горизонтальному масштабуванні. Запропоновано модуль координації для узгодження конфігурації вертикального і горизонтального компонентів. Розроблено програмний модуль для роботи в Kubernetes, який використовує запропонований метод. Результати проведених експериментів демонструють зменшення збиткового резервування обчислювальних ресурсів на 65% у порівнянні зі статичним підходом на синтетичних даних. Створено інформаційну технологію управління обчислювальними ресурсами в кластері. Запропоновано здійснювати декомпозицію інформаційних систем на окремі модулі. Визначено функціонал кожного модуля і комунікацію між модулями та кластером. На основі запропонованої архітектури описано реалізацію інформаційної технології в кластерах Kubernetes. Запропоновано здійснювати інтеграцію вбудованих інструментів для моніторингу стану, аналізу даних і розгортання елементів управління. Описано процеси управління обчислювальними ресурсами. Реалізована інформаційна система використовує інтеграцію розроблених методів для проактивного та гібридного масштабування. Розроблені методи та інформаційна технологія може бути використана для управління ресурсами в реальних інформаційних системах з використанням платформи Kubernetes або подібних платформ оркестрації контейнеризованих застосунків для автоматизації процесів управління обчислювальними ресурсами.
dc.description.abstractotherOmelchenko V. Information technology for computing resources management in Kubernetes cluster – Manuscript. Thesis for the Doctor of Philosophy degree in the specialty 126 – Information systems and technologies in the knowledge field 12 – Information technologies. – National Technical University of Ukraine «Ihor Sikorsky Kyiv Polytechnic Institute», Kyiv, 2025. The dissertation work is devoted to solving the problem of automating the management of computing resources in Kubernetes clusters. Modern information systems can include a large number of applications. One of the important factors in ensuring a given level of service quality is to provide the components of the information system with a sufficient amount of computing resources. Computing and financial resources are limited, which requires a constant search for a balance between the level of service quality and the amount of resources. Automation of management processes allows for an increase in the efficiency of using the cluster's computing resources while maintaining the required level of quality of services provided. The existing forecasting methods are analyzed for the feasibility of their use for proactive scaling. For comparison, modern forecasting methods for time series with complex seasonality, trends, and planned events were selected. Experimental studies of the accuracy of the selected methods were conducted on typical workload templates based on historical data of various lengths. The stability of these methods to the presence of anomalies in historical data was also investigated. Based on the experiments, a set of methods was selected for predicting workloads in proactive scaling. A hybrid forecasting method with a combination of long-term and short-term forecasting components is proposed. Application workloads may include anomalies, which leads to incorrect allocation of computing resources in proactive management. The combined forecasting method allows you to increase the stability of proactive scaling solutions in the presence of anomalies with a defined pattern without a constant frequency. Long-term forecasting is used to predict complex seasonality and trends. Short-term forecasting is responsible for identifying anomalies in the current load and determining their scale by comparing current and past patterns. The forecasts of the two methods are combined using weighting coefficients, which are determined by solving a maximization problem on the test data. An experimental study of the proposed method was conducted. The results demonstrate an increase in overall accuracy from 91% to 95% on the test data, provided that there are anomalous patterns in the historical data. The use of the proposed combined forecasting method in proactive scaling solutions can improve the efficiency of computing resource management. A method for proactive scaling of computing resources is proposed. Proactive scaling methods allow to provide a consistent level of QoS while efficiently using computing resources. A model of proactive management is described. An architecture that includes data, forecasting, application, and decision-making modules is proposed. An approach for the method to work in the absence of data or low accuracy of the obtained forecasts is described. Based on the analysis of forecasting methods, a solution was selected for further use and development of a software module. A software module for horizontal proactive scaling was implemented in Kubernetes using built-in tools. An experimental study of the developed software module on a Kubernetes cluster was conducted to compare it with static and reactive scaling approaches. Compared to the redundant static approach, a similar level of service quality was obtained using 46% less resources. Compared to the reactive approach, the average application response time decreased from 160 ms to 23 ms. A hybrid scaling method is proposed that includes reactive and proactive components. The combination of these methods allows the use of proactive control in the presence of accurate forecasts. When load anomalies occur and it is impossible to accurately assess their scale, control is transferred to the reactive component. An indicator of the transition between proactive and reactive control is proposed based on comparing the compliance of the obtained forecasts with the current load on the application. The level of accuracy of forecasts is determined within a given number of iterations. To ensure the prompt transfer of control, both components operate regardless of the current state. A software module was implemented using the developed proactive method and a built-in solution for reactive scaling in Kubernetes. An experimental study of the developed program module was carried out. The results demonstrate the ability of the proposed method to identify anomalies and transfer control between components according to certain rules. A hybrid scaling method is proposed that allows coordinating the work of horizontal and vertical scaling components. The method makes it possible to increase the efficiency of using the cluster's computing resources when using horizontal scaling. The vertical component adapts the amount of computing resources to the current needs within a single instance for resource types that are not the main ones in horizontal scaling. A coordination module is proposed to coordinate the configuration of the vertical and horizontal components. Based on the proposed method, a program module for working in Kubernetes was developed. The results of the experiments demonstrate a 65% reduction in unprofitable reservation of computing resources compared to the static approach on synthetic data. The information technology for managing computing resources in a cluster is described. The decomposition of information systems into separate modules is proposed. The functionality of each module and communication between modules and the cluster are described. Based on the proposed architecture, the implementation of information technology in Kubernetes clusters is described. The integration of built-in tools for status monitoring, data analysis, and deployment of controls is proposed. The management processes are described. The implemented information system integrates the developed methods for scaling.
dc.format.extent154 с.
dc.identifier.citationОмельченко, В. В. Інформаційна технологія управління обчислювальними ресурсами в Kubernetes кластері : дис. … д-ра філософії : 126 Інформаційні системи та технології / Омельченко Віталій Вікторович. – Київ, 2025. – 154 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/73669
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectінформаційні системи
dc.subjectінформаційні технології
dc.subjectвіртуалізація
dc.subjectконтейнеризація
dc.subjectKubernetes
dc.subjectDocker
dc.subjectхмарні обчислення
dc.subjectуправління ресурсами
dc.subjectмікросервісна архітектура
dc.subjectвеб-застосунки
dc.subjectрозподілені системи
dc.subjectматематична модель
dc.subjectпрогнозування
dc.subjectмашинне навчання
dc.subjectпрограмне забезпечення
dc.subjectinformation systems
dc.subjectinformation technology
dc.subjectvirtualization
dc.subjectcontainerization
dc.subjectcloud computing
dc.subjectresource management
dc.subjectmicroservice architecture
dc.subjectweb applications
dc.subjectdistributed systems
dc.subjectmathematical model
dc.subjectforecasting
dc.subjectmachine learning
dc.subjectsoftware
dc.subject.udc004
dc.titleІнформаційна технологія управління обчислювальними ресурсами в Kubernetes кластері
dc.title.alternativeInformation technology for computing resources management in Kubernetes cluster
dc.typeThesis Doctoral

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Вантажиться...
Ескіз
Назва:
Omelchenko_dys.pdf
Розмір:
6.87 MB
Формат:
Adobe Portable Document Format
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: