МЕТОДИ АВТОМАТИЧНОГО МАСШТАБУВАННЯ В ХМАРНИХ СЕРЕДОВИЩАХ

Андрій Пазинін

doi:10.28925/2663-4023.2024.26.715

Автор(и)

Андрій Пазинін Інститут телекомунікацій і глобального інформаційного простору НАН України https://orcid.org/0009-0002-9506-9539

DOI:

https://doi.org/10.28925/2663-4023.2024.26.715

Ключові слова:

хмарні середовища, автоматичне масштабування, машинне навчання

Анотація

У цій статті розглядаються основні підходи до масштабування ресурсів у хмарі, а також можливості автоматизації та інтеграції з машинним навчанням. Описуються три типи масштабування: вертикальне, горизонтальне та автоматичне (яке поєднує перші два). Особлива увага приділяється автоматичному масштабуванню, яке дозволяє системі динамічно реагувати в режимі реального часу. За допомогою попередньо встановлених тригерів ви можете додавати або видаляти ресурси «на льоту» і підтримувати стабільну та економічно ефективну роботу програми. Але неправильно налаштовані тригери або поганий моніторинг можуть призвести до надлишку або нестачі ресурсів. Основний розділ присвячено використанню машинного навчання для прогнозування навантаження такі як LSTM-модель, які можуть «вчитися» на історичних даних і знаходити довгострокові закономірності і розпізнавати їх. Такий підхід дозволяє реагувати заздалегідь і збільшувати або зменшувати ресурси перед надлишковим чи мінімальним навантаженням. У практичній частині статті на прикладі Azure показано, як інтегрувати модель машинного навчання з інструментами хмарного автомасштабування для покращення управління ресурсами зменшення часу простою, мінімізації витрат. Висновок описує, що кожен тип масштабування має свої плюси і мінуси. Вертикальне масштабування може бути найкращим для стабільних навантажень і монолітних додатків. Горизонтальне краще для розподілених систем з великою кількістю користувачів. Впровадження автоматичного масштабування з інтеграцією машинного навчання на основі прогнозування навантаження відкриває можливості для більш точного прогнозування навантаження та економічно ефективного використання хмарних ресурсів. Це вимагає глибоких знань, ретельного налаштування і безперервного збору даних, але дозволяє компаніям створювати гнучкі, стійкі та економічно ефективні хмарні системи.

Завантаження

Дані завантаження ще не доступні.

Посилання

Humeniuk, O. V., & Zakharchenko, S. M. (2021). Algorithm for scaling cloud computing resources using thresholds. Vinnytsia National Technical University.

Savchuk, T. O., & Kozachuk, A. V. (2013). Automated decision-making on cloud application scaling. Vinnytsia National Technical University.

Beshlei, G., Seluchenko, M. O., Bodnar, S., Beshlei, M., & Klimash, M. (2024). Development of a platform for researching automatic container scaling and load balancing in distributed systems. Infocommunication technologies and electronic engineering, 4(2), 38–48. https://doi.org/10.23939/ictee2024.02.038

Chieu, T. C., Mohindra, A., Karve, A. A., & Segal, A. (2009). Dynamic Scaling of Web Applications in a Virtualized Cloud Computing Environment. 2009 IEEE International Conference on e-Business Engineering. Доступно: https://ela.kpi.ua/items/35381e27-a6cf-4b32-9a6f-49ede98532d8

Mao, M., Li, J., & Humphrey, M. (2010). Cloud Auto-scaling with Deadline and Budget Constraints. 11th ACM/IEEE International Conference on Grid Computing, 41–48.

Li, K., & Khan, S. U. (2020). Performance-centric resource management in cloud computing. Future Generation Computer Systems, 82, 80–90.

Chaisiri, S., Lee, B. S., & Niyato, D. (2021). Optimization Techniques for Resource Allocation in Cloud Computing. ACM Computing Surveys, 45(4), 57–72.

Best Practices for Scaling Applications in Google Cloud. (б. д.). Google Cloud Documentation. https://cloud.google.com/solutions/best-practices-for-scaling-applications

Autoscale Overview. (б. д.). Microsoft Azure Documentation. https://learn.microsoft.com/en-us/azure/autoscale/autoscale-overview

Kumar, P., & Singhal, M. (2021). Dynamic Scaling in Cloud Environments Using Predictive Analytics. Journal of Cloud Computing, 9(1), 10–17.

Garg, S. K., Versteeg, S., & Buyya, R. (2013). A framework for ranking of cloud computing services. Future Generation Computer Systems, 29(4), 1012–1023.

Lorido-Botran, T., Miguel-Alonso, J., & Lozano, J. A. (2014). A Review of Auto-scaling Techniques for Elastic Applications in Cloud Environments. Journal of Grid Computing, 12, 559–592.

Karpathy, A., Johnson, J., & Fei-Fei, L. (2015). Visualizing and Understanding Recurrent Networks. arXiv preprint arXiv:1506.02078.

The NIST Definition of Cloud Computing. (б. д.). https://csrc.nist.gov/publications/detail/sp/800-145/final