K8s-DT: Um Gêmeo Digital do Kubernetes Baseado em Modelos Estocásticos

• Iúre de Sousa Fé UFPI
• Luiz Fernando Bittencourt UNICAMP
• Paulo Maciel UFPE
• Francisco Airton Silva UFPI

DOI: https://doi.org/10.5753/sbrc.2026.19307

Resumo

Aplicações em microsserviços recorrem ao autoscaling para equilibrar custo e qualidade de serviço, mas políticas reativas como o HPA do Kubernetes tendem a adicionar réplicas tardiamente e dependem de limiares ajustados por tentativa e erro. Esse atraso eleva o tempo de resposta durante picos de carga e desperdiça recursos quando a demanda diminui. Para enfrentar essa limitação, acoplamos um gêmeo digital baseado em Stochastic Petri Nets (SPN) ao cluster Kubernetes e conduzimos análises what-if guiadas por um SLA explícito de tempo de resposta. O objetivo é aplicar dinamicamente configurações de réplicas que atendam ao SLA com menor consumo de recursos. Inicialmente, validamos as previsões do gêmeo digital com 95% de confiança em relação a um cenário real em nuvem. Em seguida, avaliamos dois cenários com perfis de carga distintos, nos quais o gêmeo digital atendeu ao SLA e reduziu o número médio de réplicas em 32,83% (carga de alta variância) e 18,7% (carga aleatória), em comparação com os melhores baselines do HPA. Dessa forma, a abordagem reduziu o uso de recursos sem comprometer o cumprimento do SLA e evitou a calibração dependente da carga baseada em limiares fixos no HPA.

Referências

Abdelrahman, M., Macatulad, E., Lei, B., Quintana, M., Miller, C., and Biljecki, F. (2025). What is a digital twin anyway? deriving the definition for the built environment from over 15,000 scientific publications. Building and Environment, 274:112748.

Ahmad, H., Treude, C., Wagner, M., and Szabo, C. (2024). Smart hpa: A resource-efficient horizontal pod auto-scaler for microservice architectures. In 2024 IEEE 21st International Conference on Software Architecture (ICSA), pages 1–12.

AWS, t. (2025). AWS instance types. [link]. Accessed: 2025-05-02.

Bittencourt, L. F., Braghetto, K. R., Cordeiro, D., and Sakellariou, R. (2024). On digital twins for cloud continuum applications. In International Conference on the Economics of Grids, Clouds, Systems, and Services, pages 286–293. Springer.

Borsatti, D., Zaccarini, M., Matteucci, 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.

da Silva, L. M. D., Alves, P. V. A., Silva, S. N., and Fernandes, M. A. C. (2025). Adaptive horizontal scaling in kubernetes clusters with ann-based load forecasting. Cluster Computing.

DeGlopper, D. R. (1992). The art of computer systems performance analysis: Techniques for experimental design, measurement, simulation and modeling. by raj jain. new york: John wiley and sons, 1991. pp. 720. (hardcover). International Journal of Legal Information, 20(1):63–64.

Fé, I., Nguyen, T. A., Choi, E., Min, D., Lee, J.-W., Barbosa, V., Soares, A., Rego, P. A., Mei, A., and Silva, F. A. (2025). Energy-efficient performance optimization in kubernetes microservices using generalized stochastic petri net. Journal of Network and Computer Applications, page 104287.

Hyndman, R. J. and Athanasopoulos, G. (2018). Forecasting: principles and practice. OTexts.

Lakshan, S. and Hussain, S. (2025). A review of ai-driven techniques for cost optimization in kubernetes environments. In 2025 International Research Conference on Smart Computing and Systems Engineering (SCSE), pages 1–5. IEEE.

LLC, G. (2025). Como entender o core web vitals e os resultados da pesquisa google. Última atualização: 4 de agosto de 2025.

Locust, t. (2015). Locust an open source load testing tool. [link]. Accessed: 2025-05-02.

Maciel, P. R. M. (2023a). Performance, reliability, and availability evaluation of computational systems, Volume 2: Reliability, availability modeling, measuring, and data analysis. Chapman and Hall/CRC.

Maciel, P. R. M. (2023b). Performance, reliability, and availability evaluation of computational systems, volume I: performance and background. Chapman and Hall/CRC.

Nah, F. F.-H. (2004). A study on tolerable waiting time: how long are web users willing to wait? Behaviour & Information Technology, 23(3):153–163.

Pinheiro, T., Oliveira, D., Matos, R., Silva, B., Pereira, P., Melo, C., Oliveira, F., Tavares, E., Dantas, J., and Maciel, P. (2021). The mercury environment: a modeling tool for performance and dependability evaluation. In Intelligent Environments 2021, pages 16–25. IOS Press.

Pozdniakova, O., Mažeika, D., and Cholomskis, A. (2024). Sla-adaptive threshold adjustment for a kubernetes horizontal pod autoscaler. Electronics, 13(7):1242.

Schlegel, B., Gemulla, R., and Lehner, W. (2009). K-ary search on modern processors. In Proceedings of the Fifth International Workshop on Data Management on New Hardware, pages 52–60.

Vasumathi, M., Sadasivan, M., Kumar, V. V. N. P., Kumar, B. K., et al. (2025a). Ai-driven predictive auto-scaling for efficient microservices deployment in cloud data centers using lstm and kubernetes hpa. In 2025 5th International Conference on Expert Clouds and Applications (ICOECA), pages 859–864. IEEE.

Vasumathi, M. T., Sadasivan, M., Asha, V., Phanindra Kumar, V. V. N., Kumar, B. K., and Veeresh (2025b). Ai-driven predictive auto-scaling for efficient microservices deployment in cloud data centers using lstm and kubernetes hpa. In 2025 5th International Conference on Expert Clouds and Applications (ICOECA), pages 1–6.

Veeck, C. H., Barbosa, M., and Dias, K. L. (2025). Reagir ou antecipar? uma comparação entre hpa e ml para balanceamento de carga. In XLIII Simpósio Brasileiro de Telecomunicações e Processamento de Sinais.