Graph-PHPA：基于LSTM-GNN的微服务图式主动水平Pod弹性伸缩
分布式、并行与集群计算
2022-09-07 v1 机器学习
摘要
基于微服务的架构已成为云原生应用的主流。随着每日利用该架构部署于云平台的应用数量不断增加，亟需更多研究以理解如何应用不同策略在规模上有效管理各类云资源。大量研究已采用反应式和主动式弹性伸缩策略部署自动资源分配算法。然而，现有算法在从微服务架构与部署环境中捕获重要特征（例如忽视图依赖关系）方面仍存在效率缺口。为应对此挑战，我们提出Graph-PHPA，一种基于图的主动水平Pod弹性伸缩策略，利用长短期记忆（LSTM）和图神经网络（GNN）预测方法为微服务分配云资源。我们使用部署于专用测试环境中、基于真实数据集生成实时工作负载的Bookinfo微服务评估Graph-PHPA性能。我们以Kubernetes中基于规则的资源分配方案为基线，展示了Graph-PHPA的效能。我们实施了大量实验，结果表明在不同测试场景下，相较反应式基于规则的基线算法，我们所提方法在资源节约上更具优势。
引用
@article{arxiv.2209.02551,
title = {Graph-PHPA: Graph-based Proactive Horizontal Pod Autoscaling for Microservices using LSTM-GNN},
author = {Hoa X. Nguyen and Shaoshu Zhu and Mingming Liu},
journal= {arXiv preprint arXiv:2209.02551},
year = {2022}
}
备注
The paper has been accepted by the IEEE CloudNet 2022