Аналіз алгоритмів машинного навчання для автоматичного масштабування контейнерних застосунків

Abstract

Метою кваліфікаційної роботи є аналіз та порівняння набору алгоритмів машинного навчання для автоматичного масштабування в контейнерних застосунках, зосереджуючись на вдосконаленні стратегій управління ресурсами в хмарних середовищах. Дослідження зосереджується на оцінці ефективності, адаптивності та продуктивності цих алгоритмів за різних умов робочого навантаження. Об'єктом дослідження є процес автоматичного масштабування в контейнерних середовищах. Предметом є алгоритми машинного навчання, призначені для предиктивного та адаптивного управління ресурсами. У роботі проаналізовано та порівняно традиційні стратегії масштабування та передові підходи до машинного навчання, зокрема, з акцентом на Q-learning, Deep Deterministic Policy Gradients (DDPG), Autoregressive Integrated Moving Average (ARIMA) та Long Short-Term Memory (LSTM). За допомогою Python вони були протестовані на адаптивність та ефективність використання ресурсів в умовах різного робочого навантаження. Отримані результати дають уявлення про продуктивність кожного алгоритму, що сприятиме майбутній оптимізації автоматичного масштабування для контейнерних застосунків.