Lógica Fuzzy Aplicada a Escalonamento Horizontal

• Sérgio N. Silva UFRN
• Lucileide M. D. da Silva UFRN / IFRN
• Marcelo A. C. Fernandes UFRN

DOI: https://doi.org/10.5753/sbesc_estendido.2023.235440

Resumo

Este trabalho apresenta uma abordagem baseada em lógica Fuzzy para o escalonamento de réplicas em um ambiente Kubernetes. O sistema proposto, denominado FHS (Fuzzy-based Horizontal Scaling), foi comparado ao mecanismo padrão de escalonamento do Kubernetes, o HPA (Horizontal Pod Autoscaler). A comparação levou em consideração o consumo de recursos, o número de réplicas utilizadas e aderência aos Acordos de Nível de Serviço (SLAs - Service-Level Agreements) de latência. Os experimentos foram realizados em um ambiente com uma máquina virtual (VM) executando o cluster Kubernetes, outra VM com o JMeter para gerar demandas de tráfego e o controlador FHS no host. Os resultados demonstraram que o FHS obteve uma redução no consumo de CPU, utilizou menos réplicas para uma mesma condição de estresse e apresentou taxas de violação dos SLAs de latência mais distribuídas em comparação ao HPA, que teve valores mais concentrados. Esses resultados indicam que o FHS oferece uma solução mais eficiente e customizável para o escalonamento de réplicas em ambientes Kubernetes.

Palavras-chave: Escalonamento horizontal, Kubernetes, Lógica Fuzzy, HPA

Referências

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

Q. Huo, S. Li, Y. Xie, and Z. Li, “Horizontal pod autoscaling based on kubernetes with fast response and slow shrinkage,” in International Conference on Artificial Intelligence, Information Processing and Cloud Computing (AIIPCC). IEEE, 2022, pp. 203–206.

A. Zafeiropoulos, E. Fotopoulou, N. Filinis, and S. Papavassiliou, “Reinforcement learning-assisted autoscaling mechanisms for serverless computing platforms,” Simulation Modelling Practice and Theory, vol. 116, p. 102461, 2022.

H. Sami, H. Otrok, J. Bentahar, and A. Mourad, “Ai-based resource provisioning of ioe services in 6g: A deep reinforcement learning approach,” IEEE Transactions on Network and Service Management, vol. 18, no. 3, pp. 3527–3540, 2021.

Z. Xiao and S. Hu, “Dscaler: A horizontal autoscaler of microservice based on deep reinforcement learning,” in 23rd Asia-Pacific Network Operations and Management Symposium (APNOMS), 2022, pp. 1–6.

H. T. Nguyen, T. Van Do, and C. Rotter, “Scaling upf instances in 5g/6g core with deep reinforcement learning,” IEEE Access, vol. 9, pp. 165 892–165 906, 2021.

A. A. Khaleq and I. Ra, “Intelligent autoscaling of microservices in the cloud for real-time applications,” IEEE Access, vol. 9, pp. 35 464–35 476, 2021.

V. Ojha, A. Abraham, and V. Snášel, “Heuristic design of fuzzy inference systems: A review of three decades of research,” Engineering Applications of Artificial Intelligence, vol. 85, pp. 845–864, 2019.

A. M. Radwan and I. M. Ellabib, “Fuzzy inference systems for load balancing of wireless networks,” in 2023 IEEE 3rd International Maghreb Meeting of the Conference on Sciences and Techniques of Automatic Control and Computer Engineering (MI-STA), 2023, pp. 154–158.

“Microk8s: Lightweight kubernetes,” https://microk8s.io/, acesso em: 18-07-2023.

“Apache jmeter,” https://jmeter.apache.org/, 2023, acesso em: 18-07-2023.

“Dropwizard,” https://www.dropwizard.io/, 2023, acesso em: 18-07-2023.

“Fabric8 kubernetes-client,” https://github.com/fabric8io/kubernetes-client, 2023, acesso em: 18-07-2023.

“Prometheus,” https://prometheus.io/, 2023, acesso em: 18-07-2023.