Mise à l’Échelle Automatique et Prédictive basée sur l’Orchestrateur Kubernetes (MEAP)

Abstract

Les microservices représente de nombreux avantages en termes de meilleure probabilité, de légèreté et d’évolutivité facile par rapport à la virtualisation basée sur les Machine Virtuelle (MV). Ils introduisent plusieurs défis, notamment en termes d’évolutivité. En fait, la plupart des orchestrateurs tels que K8s sont équipés de systèmes de mise à l’échelle réactifs. Ces systèmes de mise à l’échelle réactifs ne peuvent pas garantir la QoS demandée en raison de leur lenteur à éviter la surcharge lors de la mise à l’échelle réactive, qui peut être causée par une valeur incorrecte du seuil de mise à l’échelle. Dans ce travail, nous proposons une nouvelle méthode de mise à l’échelle prédictive pour les microservices exécutés sur un cluster Kubernetes, se référant à nous MEAP. Dans un premier temps, nous proposons une architecture modulaire. Ensuite, nous modélisons mathématiquement le problème de mise à l’échelle avec une heuristique pour mettre en évidence la conception globale. Par la suite, nous concevons et implémentons un modèle prédictif basé sur la méthode de prédiction LSTM Encodeur-Décodeur pour prédire l’évolution future de l’utilisation des ressources. Ensuite, nous développons un système de mise à l’échelle automatique à l’aide du modèle LSTM entraîné, pour ajouter de manière proactive de nouveaux conteneurs si l’utilisation prévue des ressources dépasse un certain seuil. Enfin, nous démontrons l’évolution de la prédiction en utilisant Grafana et InfluxDB. Le prototype MEAP développé ainsi que les résultats expérimentaux montrent que MEAP est capable d’améliorer les performances et d’éviter de surcharger les microservices, garantissant ainsi la QoS demandée.