Перейти до змісту
Електронне моделювання
UK EN
Меню

Проактивне автомасштабування сервісів Kubernetes на основі машинного навчання

А.С. Пазинін, аспірант
Інститут телекомунікацій і глобального
інформаційного простору НАН України
Україна, 03186, Київ, Чоколівський бульвар, 13
e-mail: pazinin@gmail.com;
https://orcid.org/0009-0002-9506-953

Èlektron. model. 2026, 48(2):69-86
https://doi.org/10.15407/elmodel.48.02.069

Повний текст (PDF)

English version

Cтаття надійшла до редакції / Received 01.08.2025 (після доопрацювання / after revision 27.12.2025)
Прийнята до друку / Accepted 17.04.2026
Опубліковано / Published 05.05.2026

BY© А.С. Пазинін, 2026
Стаття поширюється на умовах ліцензії відкритого доступу CC BY 4.0

Повний текст: PDF

Анотація

Розглянуто реактивні та проактивні підходи до автомасштабування сервісів у Kubernetes з метою оптимізації використання обчислювальних ресурсів: стандартний реактивний Horizontal Pod Autoscaler (HPA) та проактивний ML-масштабувальник на основі LSTM. Розроблено та запропоновано контролер, який збирає метрики CPU з Prometheus, навчає та оновлює модель, прогнозує короткострокову динаміку навантаження і коригує кіль­кість реплік через API Kubernetes. Метрики прогнозів та рішень подано у Pushgateway та візуалізовано в Grafana. Експериментальні дослідження в кластері Azure Kubernetes Service з контрольованим навантаженням контейнерів показали 30 % зниження загального використання vCPU у порівнянні з HPA при збереженні того ж рівня обслуговування, змен­шенні затримки масштабування (збільшення масштабу 30—60 с проти 75—90 с; зменшення масштабу 60—90 с проти 90—150 с) та усуненні «джиттера». Отримані ре­зультати підтверджують ефективність застосування проактивного автомасштабування сервісів Kubernetes на основі методів машинного навчання для служб зі стабільними або сезонними моделями трафіку.

Ключові слова

Kubernetes, автоскейлінг, HPA, LSTM, Prometheus, Pushgateway, Grafana

Список літератури

  1. Horizontal Pod autoscaling. Kubernetes. URL: https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale/ (date of access: 22.02.2026).
  2. Lorido-Botran T., Miguel-Alonso J., Lozano J.A. A review of auto-scaling techniques for elastic applications in cloud environments. Journal of grid computing. 2014. Vol. 12, no. 4. P. 559—592. URL: https://doi.org/10.1007/s10723-014-9314-7 (date of access: 22.02.2026).
  3. Managing power consumption and performance of computing systems using reinforcement learning. / G. Tesauro et al. Advances in neural information processing systems. 2007. P. 1497—1504. URL: https://papers.nips.cc/paper/3251-managing-power-consumption-and-performance-of-computing-systems-using-reinforcement-learning?utm_source=chatgpt. com (date of access: 22.02.2026).
  4. Horizontal Pod Autoscaler walkthrough. Kubernetes. URL: https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale-walkthrough/ (date of access: 22.02.2026).
  5. LSTM: a search space odyssey. / K. Greff et al. IEEE transactions on neural networks and learning systems. Vol. 28, no. 10. P. 2222—2232. URL: https://doi.org/10.1109/TNNLS.2016.2582924 (date of access: 22.02.2026).
  6. Dang-Quang N.-M., Yoo M. Deep learning-based autoscaling using bidirectional long short-term memory for kubernetes. Applied Sciences. Vol. 11, no. 9. 3835. URL: https://www.mdpi.com/2076-3417/11/9/3835 (date of access: 22.02.2026).
  7. Imdoukh M., Ahmad I., Alfailakawi M. Machine learning-based auto-scaling for containerized applications. Neural computing and applications. No. 32. P. 9745—9760. URL: https://link.springer.com/article/10.1007/s00521-019-04507-z.
  8. Rolik O., Volkov V. Method of horizontal pod scaling in kubernetes to omit overregulation. Information, computing and intelligent systems (journal abbreviation: inf. comput. and intell. syst. j.) No. 5. P. 55—67. URL: https://doi.org/10.20535/2786-8729.5.2024.315877 (date of access: 22.02.2026).
  9. Боярчук С., Тищенко І. Моделі прогнозування часових рядів ARIMA та LSTM в економіці та фінансах. Компʼютерні системи проєктування. Теорія і практика. 2025. Т. 7, № 1. С. 172—180. URL: https://doi.org/10.23939/cds2025.01.172 (дата звернення: 22.02.2026).
  10. What is azure kubernetes service (AKS)? — azure kubernetes service. Microsoft Learn: Build skills that open doors in your career. URL: https://learn.microsoft.com/azure/aks/what-is-aks (date of access: 22.02.2026).
  11. Data model | Prometheus. Prometheus — Monitoring system & time series database. URL: https://prometheus.io/docs/concepts/data_model/ (date of access: 22.02.2026).
  12. Metrics for kubernetes object states. Kubernetes. URL: https://kubernetes.io/docs/concepts/cluster-administration/kube-state-metrics/ (date of access: 22.02.2026).
  13. Pushing metrics | Prometheus. Prometheus — Monitoring system & time series database. URL: https://prometheus.io/docs/instrumenting/pushing/ (date of access: 22.02.2026).
  14. Time series | Grafana documentation. Grafana Labs. URL: https://grafana.com/docs/grafana/latest/panels-visualizations/visualizations/time-series/ (date of access: 22.02.2026).
  15. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural computation. 1997. Vol. 9, no. 8. P. 1735—1780. URL: https://doi.org/10.1162/neco.1997.9.8.1735 (date of access: 22.02.2026).
  16. Федоришин Б., Красько О. Міграція сервісів в кластері kubernetes на основі прогно­зування навантаження. Інформаційно-комунікаційні технології та електронна інже­нерія. 2024. Т. 4, № 2. С. 82—92. URL: https://doi.org/10.23939/ictee2024.02.082 (дата звернення: 22.02.2026).
  17. Маєвський Я., Праворська Н. Підвищення ефективності автоматизації масштабуван­ня мікросервісів у системі керування контейнеризованими застосунками kubernetes. Вісник Хмельницького національного університету. Серія: технічні науки. 2022. Т. 313, № 5. С. 260—264. URL: https://doi.org/10.31891/2307-5732-2022-313-5-260-264
  18. Empirical prediction models for adaptive resource provisioning in the cloud / S. Islam et al. Future generation computer systems. 2012. No. 1. P. 155—162. URL: https://doi.org/1016/j.future.2011.05.027 (date of access: 22.02.2026).
  19. Resource metrics pipeline. Kubernetes. URL: https://kubernetes.io/docs/tasks/debug/debug-cluster/resource-metrics-pipeline/ (date of access: 22.02.2026).
  20. Гутман Д., Сирота О. Проактивне автоматичне масштабування вверх для Kuberneters. Адаптивні системи автоматичного управління. 2023. Т. 1, № 42. С. 32—38. URL: https://doi.org/10.20535/1560-8956.42.2023.278925 (дата звернення: 22.02.2026).

ПАЗИНІН Андрій Сергійович, аспірант інституту телекомунікацій і глобального інфор­маційного простору Національної академії наук України. В 2018 р. закінчив магістратуру державного університету інформаційно-комунікаційних технологій. Область наукових досліджень — компʼютерні науки, інформаційні технології (машинне навчання, хмарні обчислення, системи автоматичного масштабування).