Proaktives zustandsbehaftetes fehlertolerantes System für Kubernetes containerisierte Dienste

In letzter Zeit hat die Entwicklung der Kubernetes (K8s) Containerisierungsplattform cloud-basierte, leichtgewichtige, hoch skalierbare und agile Dienste sowohl in allgemeinen als auch in Telekommunikationsanwendungsfällen ermöglicht. Die Gewährleistung einer hohen Verfügbarkeit sowie zuverlässiger und kontinuierlicher containerisierter Dienste ist ein wichtiges Erfordernis für Dienstanbieter, um Fehlertoleranz und transparente Serviceerfahrungen für Endbenutzer bereitzustellen. Um dieses Erfordernis zu erfüllen, müssen Fehlerprognose- und proaktive zustandsbehaftete Servicewiederherstellungsfunktionen in Cloud-Systemen angewendet werden. Frühere proaktive Ansätze zur Fehlerwiederherstellung konzentrierten sich hauptsächlich darauf, entweder die Leistung der Fehlerprognose basierend auf verschiedenen Methoden des maschinellen Lernens zur Zeitreihenprognose zu verbessern oder die Platzierung von Wiederherstellungsdiensten nach der Fehlerprognose zu optimieren. Ein Mechanismus, der die Migration zustandsbehafteter containerisierter Dienste vom vorhergesagten fehlerhaften Knoten zum gesunden Zielknoten ermöglicht, wurde jedoch nicht untersucht. Die Dienstmigration in früheren proaktiven Arbeiten wurde nur simuliert oder durch Techniken zur Migration von virtuellen Maschinen (VM) durchgeführt. In diesem Papier schlagen wir ein proaktives zustandsbehaftetes fehlertolerantes System für K8s containerisierte Dienste vor, das ein bidirektionales Long Short-Term Memory (Bi-LSTM) Fehlerprognoseframework und einen neuen K8s zustandsbehafteten Migrationsmechanismus für die Dienstwiederherstellung kombiniert. Experimentelle Ergebnisse zeigen, wie das Bi-LSTM-Modell die Prognoseleistung im Vergleich zu anderen Modellen zur Zeitreihenprognose in früheren proaktiven Arbeiten verbessert hat. Anschließend kombinierten wir das Bi-LSTM Fehlerprognoseframework sowohl mit dem Standard-K8s als auch mit unseren zustandsbehafteten Migrationsmechanismen. Der Vergleich zwischen diesen beiden proaktiven Systemen beweist die Effizienz unseres Systems hinsichtlich der Vermeidung von Verletzungen der Dienstgüte (QoS).