АВТОМАТИЧЕСКОЕ ГИБРИДНОЕ МАСШТАБИРОВАНИЕ МИКРОСЕРВИСОВ В KUBERNETES С УЧЕТОМ КАЧЕСТВА ОБСЛУЖИВАНИЯ НА ОСНОВЕ ПРОГНОЗИРОВАНИЯ НАГРУЗКИ И ОБУЧЕНИЯ С ПОДКРЕПЛЕНИЕМ

Аннотация

Предложен метод автоматического гибридного масштабирования микросервисов в Kubernetes, ориентированный на качество обслуживания, а не только на загрузку процессора. Научный вклад состоит в совместной постановке трех компонентов: краткосрочного прогноза нагрузки с оценкой верхнего квантиля, прогнозного риска нарушения задержки 95-го процентиля (p95) и агента обучения с подкреплением, который выбирает изменение числа подов и ресурсного профиля пода. В качестве прогнозной модели используется линейное экспоненциальное сглаживание Хольта с квантильной поправкой по остаткам. Эта модель выбрана из-за низкой вычислительной стоимости, устойчивости на коротком горизонте и возможности явно оценить риск перегрузки. Для выбора действий применено табличное Q-обучение с маской безопасных действий. Маска запрещает шаги, нарушающие границы реплик и ресурсов, а при прогнозируемом превышении порога оставляет только действия, увеличивающие емкость узкого микросервиса. Метод проверен в воспроизводимой имитационной среде из трех связанных микросервисов. На 24 тестовых трассах предложенный контроллер снизил долю интервалов с нарушением целевого уровня обслуживания с 3,85% у реактивного горизонтального автомасштабировщика до 2,67%. По сравнению с вариантом без прогнозного риска доля нарушений уменьшилась с 7,53% до 2,67%, что показывает роль прогнозной части состояния.