Search academic texts

Information × Registration Number 2125U002797, Article popup.category Бакалаврська робота Title Оптимізація автоскейлінгу в Kubernetes за допомогою штучного інтелекту (AI translated) popup.author Тхай Ольга ОлексіївнаTkhai Olha Oleksiivna popup.publication 01-01-2025 popup.source_user Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» popup.source https://ela.kpi.ua/handle/123456789/75831 popup.publisher Київ Description Дипломна робота: 146 с., 37 рис., 11 табл., 44 посилань, 1 додаток. Об’єктом дослідження є процес масштабування ресурсів у Kubernetes кластерах. Предметом дослідження є моделі прогнозування навантаження для задачі оптимізації масштабування обчислювальних ресурсів у середовищі Kubernetes. Метою роботи є оптимізація автоскейлінгу в Kubernetes шляхом впровадження моделей машинного навчання, здатних прогнозувати навантаження на CPU, з метою забезпечення ефективнішого управління обчислювальними ресурсами. Kubernetes є основою сучасної хмарної інфраструктури, однак класичні механізми автоскейлінгу, як HPA чи VPA, працюють за реактивним принципом та мають затримки у масштабуванні, що призводить до перевантаження або перевитрати ресурсів. У цій роботі запропоновано проактивний підхід, що ґрунтується на прогнозуванні навантаження за допомогою нейронних мереж. Було проведено порівняльний аналіз архітектур, оброблено реальний часовий ряд метрик навантаження, та запропоновано архітектуру для інтеграції моделі у середовище Kubernetes. Bachelor's thesis: 146 p., 37 figures, 11 tables, 44 references, appendix. The object of the study is the process of resource scaling in Kubernetes clusters. The subject of this research is load-forecasting models for the optimization of computational resource scaling in a Kubernetes environment. The purpose of the work is to optimize autoscaling in Kubernetes by implementing machine learning models capable of forecasting CPU load, thereby enabling more efficient management of computational resources. Kubernetes is the backbone of modern cloud infrastructure; however, traditional autoscaling mechanisms, such as HPA and VPA, operate reactively and exhibit latency in scaling decisions, often resulting in resource overuse or overload. This thesis proposes a proactive approach based on load forecasting using neural networks. A comparative analysis of various architectures was conducted, a real-time series of load metrics were processed, and an architecture for integrating the forecasting model into the Kubernetes environment was proposed. popup.nrat_date 2025-11-05 Close