通过自动化在线设计框架利用多智能体系统简化弹性 Kubernetes 自动扩缩容
多智能体系统
2025-05-29 v1 人工智能
摘要
在云原生系统中，具有相互依赖服务的 Kubernetes 集群常因资源阻塞、瓶颈或 Pod 持续崩溃等工作负载管理问题而面临运营弹性挑战。这些漏洞在对抗场景（如分布式拒绝服务攻击，DDoS）中进一步放大。传统的水平 Pod 自动扩缩容（HPA）方法难以应对此类动态条件，而基于强化学习的方法虽然适应性更强，但通常只优化延迟或资源使用等单一目标，忽略了更广泛的故障场景。我们提议将维持运营弹性的总体目标分解为委托给协作智能体的特定故障子目标，共同构成 HPA 多智能体系统（MAS）。我们引入了一个自动化、四阶段的 HPA MAS 设计在线框架：1）基于集群追踪构建数字孪生模型；2）在仿真中使用针对故障情境定制的角色和任务训练智能体；3）分析智能体行为以实现可解释性；4）将学习到的策略迁移到真实集群。实验结果表明，在所提出的一个复杂集群中，生成的 HPA MAS 在各种对抗条件下维持运营弹性方面优于三种最先进的 HPA 系统。
引用
@article{arxiv.2505.21559,
title = {Streamlining Resilient Kubernetes Autoscaling with Multi-Agent Systems via an Automated Online Design Framework},
author = {Julien Soulé and Jean-Paul Jamont and Michel Occello and Louis-Marie Traonouez and Paul Théron},
journal= {arXiv preprint arXiv:2505.21559},
year = {2025}
}