Energy-Efficient Horizontal Scaling in Kubernetes with Digital Twins

• Franklin T. P. Correia UFRN
• Marcelo A. C. Fernandes UFRN

DOI: https://doi.org/10.5753/eniac.2026.29952

Resumo

Este trabalho propõe um gêmeo digital baseado em aprendizado de máquina para estimar o consumo energético de clusters Kubernetes a partir de métricas operacionais. A metodologia integra utilização de CPU, tráfego de rede e número de pods, incorporando dependências temporais por meio de uma estrutura autorregressiva de profundidade M . Os modelos foram treinados em cenários de carga e configuração distintos dos usados na avaliação, e a potência de referência foi medida por um sensor IoT dedicado. Os resultados mostram que o histórico temporal melhora consistentemente o desempenho preditivo, alcançando R² = 0,73 e MAE de 3,29 W em cenários não observados no treinamento, com desempenho estatisticamente equivalente entre os três modelos avaliados. O modelo é apresentado como o componente de predição de uma política de escalonamento horizontal orientada a energia, cuja integração e avaliação em malha fechada constituem a etapa seguinte deste trabalho.

Referências

Algarni, A., Shah, I., Jehangiri, A. I., Ala’Anzy, M. A., and Ahmad, Z. (2024). Predictive energy management for docker containers in cloud computing: A time series analysis approach. IEEE Access, 12:52524–52538.

Arivoli, A., Kalaavathi, B., and Iong-Zong, C. J. (2025). Developing green computing awareness based on optimization techniques for environmental sustainability. In Computational Intelligence in Sustainable Computing and Optimization, pages 237–258. Elsevier.

Augustyn, D. R., Wyciślik, Ł., and Sojka, M. (2024). Tuning a kubernetes horizontal pod autoscaler for meeting performance and load demands in cloud deployments. Applied Sciences, 14(2):646.

Barricelli, B. R., Casiraghi, E., and Fogli, D. (2019). A survey on digital twin: Definitions, characteristics, applications, and design implications. IEEE access, 7:167653–167671.

Borsatti, D., Cerroni, W., Foschini, L., Grabarnik, G. Y., Manca, L., Poltronieri, F., Scotece, D., Shwartz, L., Stefanelli, C., Tortonesi, M., et al. (2024). Kubetwin: A digital twin framework for kubernetes deployments at scale. IEEE Transactions on Network and Service Management, 21(4):3889–3903.

Borsatti, D., Cerroni, W., Foschini, L., Grabarnik, G. Y., Poltronieri, F., Scotece, D., Shwartz, L., Stefanelli, C., Tortonesi, M., and Zaccarini, M. (2023). Modeling digital twins of kubernetes-based applications. In 2023 IEEE Symposium on Computers and Communications (ISCC), pages 219–224. IEEE.

Da Silva, L. M., Alves, P. V., Silva, S. N., and Fernandes, M. A. (2025). Adaptive horizontal scaling in kubernetes clusters with ann-based load forecasting. Cluster Computing, 28(3):176.

Freitas, Y. V., de A Melo, J. M., Queiroz, A. P. d. O., and Fernandes, A. M. (2025). Cpu-based horizontal pod autoscaling for distributed iiot control in kubernetes edge environments. In 2025 Symposium on Internet of Things (SIoT), pages 1–4. IEEE.

Godhani, P. and Bhat, A. (2025). Green ai: A dynamic framework for energy-efficient inference on kubernetes. In 2025 IEEE International Conference for Women in Innovation, Technology & Entrepreneurship (ICWITE), pages 1–6. IEEE.

Li, D. C., Huang, C.-T., Tseng, C.-W., and Chou, L.-D. (2021). Fuzzy-based microservice resource management platform for edge computing in the internet of things. Sensors, 21(11).

Nele, L., Mattera, G., Yap, E. W., Vozza, M., and Vespoli, S. (2024). Towards the application of machine learning in digital twin technology: a multi-scale review. Discover Applied Sciences, 6(10):502.

Ouedraogo, E. B., Hawbani, A., Wang, X., Liu, Z., Zhao, L., Al-qaness, M. A., and Alsamhi, S. H. (2025). Digital twin data management: a comprehensive review. IEEE Transactions on Big Data, 11(5):2224–2243.

Saad, Z., Yang, J., Leung, H., and Drew, S. (2025). Towards carbon-aware container orchestration: Predicting workload energy consumption with federated learning. arXiv preprint arXiv:2510.03970.

Silva, S. N., Goldbarg, M. A. S. d. S., Silva, L. M. D. d., and Fernandes, M. A. C. (2024). Application of fuzzy logic for horizontal scaling in kubernetes environments within the context of edge computing. Future Internet, 16(9).

Tran, M.-N., Vu, D.-D., and Kim, Y. (2022). A survey of autoscaling in kubernetes. In 2022 Thirteenth International Conference on Ubiquitous and Future Networks (ICUFN), pages 263–265. IEEE.

Wermann, A. G. and Wickboldt, J. A. (2025). Ktwin: A serverless kubernetes-based digital twin platform. Computer Networks, 259:111095.