Registration Number
0825U001952, PhD dissertation
Status
Доктор філософії
Date
02-07-2025
popup.evolution
o
Title
Method of complementary loads for task distribution in cloud systems
Author
Oleksandra A. Dmytrenko,
popup.head Mariia Skulysh
popup.opponent Nina Kuchuk
popup.opponent Andrii M. Hlybovets
popup.review Oleksii M. Baranovskyi
popup.review Andrii A. Astrakhantsev
popup.rada
National Technical University of Ukraine «Igor Sikorsky Kyiv Polytechnic Institute»
Description
Оптимізація використання ресурсів хмарних систем має високий пріоритет через широке розповсюдження цих технологій. Поява Docker та Kubernetes спростила тестування та розгортання хмарних застосунків, збільшивши попит на хмарні ресурси та підкресливши важливість їх ефективного використання.
Чинні підходи до розподілу навантаження мають суттєві недоліки. Вимоги контейнерних задач оцінюються за допомогою параметрів requests та limits для RAM і CPU, які визначають пріоритет задачі та ймовірність її вилучення при перевантаженні вузла. Іншою проблемою є неефективне вивільнення RAM при зменшенні потреби в ній.
В дисертації пропонується трансформувати роль бажаних та максимальних значень ресурсів з вирішального фактора на координаційний параметр. Ідея полягає в аналізі історичних даних для оцінки потреб задач у різні періоди та пошуку доповнень до "прогалин" у навантаженні шляхом комбінування задач.
Запропонована математична модель базується на принципі доповнювальності та теорії нечітких ґраток. Вона враховує ОП, ЦП, мережеві ресурси та дисковий простір. Метод доповнювальних навантажень спрямований на формування груп зі стабільними шаблонами навантаження та зменшення використання ресурсів.
Описаний метод включає кластеризацію мікросервісів виділяючи подібні шаблони роботи обчислювальних задач, сортування їх часових рядів за амплітудою використання ресурсів та пошук пар з груп шаблонів, протилежних за часом споживання ресурсів (активні вночі та пасивні вдень мають зіставитися з пасивними вночі та активними вдень). При реалізації використовувалися Z-масштабування, кластеризація KMeans, алгоритми FastDTW та PCA. При застосуванні принципу доповнювальних навантажень можна досягти покращень в автомасштабуванні:
1) у випадку заповнення кластера лише доповнювальними навантаженнями, зменшується споживання електроенергії.
2) у випадку часткового заповнення сервера доповнювальними навантаженнями можливо зменшити запас ресурсів сервера (headroom) і в результаті - зменшити кількість серверів у кластері.
Статистичний аналіз показав значні покращення: зменшення кількості технічного обладнання на 8-17% залежно від ключового критерію, підвищення енергоефективності на 10-15%, зменшення кількості перепланувань розміщення задач на 25-35% та зниження потреб в автомасштабуванні до 20%. На вузлах з доповнювальними групами запасний ресурс можна зменшити до 20%.
Запропонований підхід застосовується до мікросервісів, монолітів та безсерверних технологій, що робить його універсальним інструментом для оптимізації хмарних інфраструктур.
Registration Date
2025-05-26
popup.nrat_date
2025-05-26 / 2026-07-01
