Containers, como uma tecnologia leve para virtualizar aplicações, revolucionaram recentemente a gestão de aplicações em nuvem. Os containers podem ser escalados rapidamente para cima ou para baixo dependendo da carga de trabalho. Prever a carga de trabalho é crucial para a autoescalabilidade eficiente de recursos em ambientes de nuvem. Previsões precisas ajudam a estimar o número de containers necessários, o que reduz custos e garante a utilização ideal dos recursos. No entanto, as cargas de trabalho para aplicações web frequentemente variam entre diferentes aplicações e períodos. Um único modelo de previsão tem dificuldade em capturar esses padrões de carga de trabalho diversos, destacando a necessidade de modelos mais especializados ou adaptativos para lidar eficientemente com a natureza dinâmica das cargas de trabalho das aplicações em nuvem. Para abordar essa limitação, este artigo introduz um framework Monitor–Train–Test–Deploy (MTTD), um sistema de previsão de carga de trabalho em laço fechado que continuamente re-treina, avalia e seleciona o modelo preditivo mais adequado durante a execução com base no comportamento observado da carga de trabalho e erros de previsão recentes. Em vez de depender de um preditor estático, o MTTD alterna dinamicamente entre vários modelos de aprendizado para manter a qualidade da previsão estável sob condições de carga de trabalho mutáveis. Experimentos realizados com cargas de trabalho de aplicações web em containers mostram que o framework proposto melhora a precisão da previsão em até 15% em comparação com modelos fixos individuais, enquanto também reduz a degradação de desempenho durante as transições dos modelos, levando a um provisionamento de containers mais confiável e menor desperdício de recursos.
Nashaat et al. (Wed,) estudaram essa questão.