Die zunehmende Nutzung von Kubernetes hat erhebliche betriebliche Komplexität mit sich gebracht, da die manuelle Verwaltung seiner zahlreichen dynamischen Komponenten (Pods, Nodes, Netzwerke) langsam, fehleranfällig und in großem Maßstab nicht nachhaltig ist. Diese Forschung untersucht, wie AIOps (Künstliche Intelligenz für IT-Operationen)-Prinzipien über die native Automatisierung hinausgehen können, um eine vollautonome Kubernetes-Verwaltung zu etablieren. Der vorgeschlagene Rahmen verwendet maschinelles Lernen, um Anomalien zu erkennen, Ursachen zu identifizieren und Skalierungsbedarfe vorherzusagen, bevor automatische Abhilfemaßnahmen ausgeführt werden. Unsere Methodik zeigt, dass AIOps die Systemzuverlässigkeit verbessern und die betriebliche Belastung reduzieren kann, während die Ressourceneffizienz durch geschlossene Beobachtungs-Aktionszyklen optimiert wird, was zu selbstheilenden Kubernetes-Ökosystemen führt, die minimalen menschlichen Eingriff erfordern.
Kishan Raj Bellala (Fr,) hat diese Frage untersucht.