Key points are not available for this paper at this time.
Kubernetes, l'orchestrateur de conteneurs prédominant pour les applications web déployées sur le cloud, offre une fonctionnalité de mise à l'échelle automatique pour le fournisseur d'applications afin de répondre à la demande toujours changeante de ses clients. Cependant, ce service de mise à l'échelle automatique nécessite un ensemble de paramètres apparemment difficile à personnaliser par le fournisseur d'applications, et ces paramètres de gestion sont statiques alors que la dynamique des demandes web entrants change souvent, sans parler du fait que les décisions de mise à l'échelle sont intrinsèquement réactives, au lieu d'être proactives. Par conséquent, nous nous fixons comme objectif ultime de rendre la gestion des applications web basées sur le cloud plus facile et plus efficace. Nous proposons un moteur de mise à l'échelle Kubernetes qui rend les décisions de mise à l'échelle automatique aptes à gérer la variabilité réelle des demandes entrantes. Dans ce moteur, diverses méthodes de prévision basées sur l'IA rivalisent entre elles via une boucle d'évaluation à court terme afin de toujours donner l'avantage à la méthode qui convient le mieux à la dynamique réelle des demandes, dès que possible. Nous introduisons également un paramètre de gestion compact pour le fournisseur d'application cloud-tenant afin de définir facilement leur point optimal dans le compromis entre la sur-provisionnement des ressources et les violations de SLA. Le moteur de mise à l'échelle multi-prévisions et le paramètre de gestion proposé sont évalués à la fois par des simulations et avec des mesures sur nos traces web collectées pour montrer l'amélioration de la qualité de l'ajustement des ressources provisionnées à la demande de service. Nous constatons qu'avec seulement quelques méthodes de prévision concurrentes, notre moteur de mise à l'échelle automatique, implémenté dans Kubernetes, entraîne une perte de requêtes significativement moindre avec légèrement plus de ressources provisionnées par rapport à la référence par défaut.
Toka et al. (Ven,) ont étudié cette question.