Анализ кластеров контейнерной виртуализацией при сочетании нагрузки, ориентированной на вычисления и ввод-вывод информации

Введение. Платформы  контейнерной  оркестровки, такие  как  Kubernetes,  используют  автоматическое масштабирование  для  поддержания производительности  при  динамических  рабочих нагрузках.  При  этом  выбор дисциплин балансировки  нагрузки  осуществляется  с применением  аппарата  теории  массового обслуживания. Однако  в  настоящее  время ощущается  недостаток  моделей  очередей  и исследований,  отражающих  влияние неоднородности  потоков  запросов  на  задержки  их обслуживания  в  активно  внедряемых  кластерных системах контейнерной  виртуализации.  В  работе выполнена  количественная  оценка  и  определение влияния  неоднородности рабочей  нагрузки,  на производительность  кластерной  системы. Метод. Предложен  усовершенствованный подход  к моделированию  кластера  Kubernetes,  учитывающий смешанный  характер  рабочей  нагрузки, ориентированной  как  на  вычисления,  так  и  на ввод-вывод  информации.  В  представленном подходе  сделан  акцент на  сочетании аналитического  моделирования  и экспериментальных  исследований.  Эксперименты проведены на  выделенном  физическом  сервере  с двухузловым  кластером  Kubernetes,  что обеспечивает  повышенную достоверность результатов  по  сравнению  с  полностью  виртуализированными  средами.  Основные результаты. Экспериментально  подтверждено,  что параметр  неоднородности,  фундаментально определяет  характер  влияния числа разворачиваемых  контейнеров  (масштабирования) на  производительность  кластера.  Для  рабочих нагрузок с  высокой  долей  запросов,  требующих значительного  потребления  вычислительных ресурсов  установлено  резкое снижение производительности  при  превышении оптимального  количества  контейнеров,  в  то  время как  для нагрузок,  ориентированных  на  ввод-вывод информации,  характерен  эффект  плато  с незначительным  снижением производительности при  избыточном  выделении  ресурсов.  Полученные результаты  показывают  V-образную зависимость времени  обслуживания  от  количества разворачиваемых  в  кластере  контейнеров, демонстрируя различную  чувствительность  к  масштабированию  в  зависимости  от  типа  рабочей  нагрузки.  Обсуждение. Полученные  результаты  являются  основой  для  дифференцированного  подхода  к  масштабированию  контейнеров в  зависимости  от  неоднородности  потока  запросов  с  интенсивным  использованием  процессора  или  вводом-выводом.  Перспективным  направлением  дальнейших  исследований  является  разработка  адаптивных  алгоритмов масштабирования,  динамически  учитывающих  изменение  характера  рабочей  нагрузки  в  реальном  времени.

1. Santhi K., Saravanan R. Performance analysis of cloud computing using series of queues with Erlang service // International Journal of Internet Technology and Secured Transactions. 2019. V. 9. N 1-2. P. 147–162. doi: 10.1504/ijitst.2019.098167

2. Amaral M., Polo J., Carrera D., Mohomed I., Unuvar M., Steinder M. Performance evaluation of microservices architectures using containers // Proc. of the IEEE 14th International Symposium on Network Computing and Applications. 2015. P. 27–34. doi: 10.1109/nca.2015.49

3. Chinnaiah M.R., Niranjan N. Fault tolerant software systems using software configurations for cloud computing // Journal of Cloud Computing. 2018. V. 7. N 1. P. 3. doi: 10.1186/s13677-018-0104-9

4. Kumari P., Kaur P. A survey of fault tolerance in cloud computing // Journal of King Saud University–Computer and Information Sciences. 2021. V. 33. N 10. P. 1159–1176. doi: 10.1016/j.jksuci.2018.09.021

5. Meeker W.Q., Escobar L.A., Pascual F.G. Statistical Methods for Reliability Data. John Wiley & Sons, 2021. 704 p.

6. Aysan H. Fault-Tolerance Strategies and Probabilistic Guarantees for Real-Time Systems. Doctoral dissertation. Mälardalen University, Sweden, 2012. 190 p.

7. Астахова Т.Н., Верзун Н.А., Касаткин В.В., Колбанев М.О., Шамин А.А. Исследование моделей связности сенсорных сетей // Информационно-управляющие системы. 2019. № 5 (102). C. 38-50. doi: 10.31799/1684-8853-2019-5-38-50

8. Bogatyrev V., Parshutina S. Redundant distribution of requests through the network by transferring them over multiple paths // Communications in Computer and Information Science. 2016. V. 601. P. 199–207. doi: 10.1007/978-3-319-30843-2_21

9. Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Control of multipath transmissions in the nodes of switching segments of reserved paths // Proc. of the International Conference on Information Control and Communication Technologies. 2022. P. 1–5. doi: 10.1109/ICCT56057.2022.9976839

10. Sovetov B.Y., Tatarnikova T.M., Poymanova E.D. Storage scaling management model // Information and Control Systems. 2020. N 5 (108). P. 43–49. doi: 10.31799/1684-8853-2020-5-43-49

11. Татарникова Т.М., Архипцев Е.Д., Кармановский Н.С. Определение размера кластера и числа реплик высоконагруженных информационных систем // Известия высших учебных заведений. Приборостроение. 2023. T. 66. № 8. C. 646–651. doi: 10.17586/0021-3454-2023-66-8-646-651

12. Хомоненко А.Д., Благовещенская Е.А., Проурзин О.В., Андрук А.А. Прогноз надежности кластерной вычислительной системы с помощью полумарковской модели альтернирующих процессов и мониторинга // Наукоемкие технологии в космических исследованиях Земли. 2018. Т. 10. № 4. C. 72–82. doi: 10.24411/2409-5419-2018-10099

13. Богатырев В.А., Богатырев С.В., Богатырев А.В. Оценка готовности компьютерной системы к своевременному обслуживанию запросов при его совмещении с информационным восстановлением памяти после отказов // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т 23. № 3. C. 608–617. doi: 10.17586/2226-1494-2023-23-3-608-617

14. Богатырев В.А., Богатырев С.В., Богатырев А.В. Граничная оценка надежности кластерных систем на основе декомпозиции марковской модели при ограниченном восстановлении узлов с накоплением отказов // Научно-технический вестник инфор мационных технологий, механики и оптики. 2025. Т. 25. № 3. C. 574–583. doi: 10.17586/2226-1494-2025-25-3-574-583

15. Клейнрок Л. Теория массового обслуживания. М.: Машиностроение, 1979. 432 с.

16. Ding D., Fan X., Zhao Y., Kang K., Yin Q., Zeng J. Q-learning based dynamic task scheduling for energy-efficient cloud computing // Future Generation Computer Systems. 2020. V. 108. P. 361–371. doi: 10.1016/j.future.2020.02.018

17. Jaiganesh M., Ramadoss B., Kumar A.V.A., Mercy S. Performance evaluation of cloud services with profit optimization // Procedia Computer Science. 2015. V. 54. P. 24–30. doi: 10.1016/j.procs.2015.06.003

18. El Kafhali S., El Mir I., Salah K., Hanini M. Dynamic scalability model for containerized cloud services // Arabian Journal for Science and Engineering. 2020. V. 45. N 12. P. 10693–10708. doi: 10.1007/s13369-020-04847-2

19. Фунг В.К., Богатырев В.А., Кармановский Н.С., Лэ В.Х. Оценка вероятностно-временных характеристик компьютерной системы с контейнерной виртуализацией // Научно-технический вестник информационных технологий, механики и оптики. 2024. Т. 24. № 2. C. 249–255. doi: 10.17586/2226-1494-2024-24-2-249-255

20. Фунг В.К., Богатырев В.А. Задержки и надежность обслуживания запросов в виртуальном компьютерном кластере // Вестник Томского государственного университета. Управление, вычислительная техника и информатика. 2024. № 68. C. 48–58. doi: 10.17223/19988605/68/5

21. Luo S., Xu H., Lu C., Ye K., Xu G., Zhang L., et al. Characterizing microservice dependency and performance: Alibaba trace analysis // Proc. of the ACM Symposium on Cloud Computing. 2021. P. 412-426. doi: 10.1145/3472883.3487003

22. Bhattacharya T., Peng X., Mao J., Zhang C., Takreeti T., Wang Y., et al. Performance modeling for I/O-intensive applications on virtual machines // Concurrency and Computation: Practice and Experience. 2022. V. 34. N 10. P. e6823. doi: 10.1002/cpe.6823

23. Hossen M.R., Islam M.A., Ahmed K. Practical efficient microservice autoscaling with QoS assurance // Proc. of the 31st International Symposium on High-Performance Parallel and Distributed Computing. 2022. P. 240–252. doi: 10.1145/3502181.3531460

24. Cai Z., Buyya R. Inverse queuing model-based feedback control for elastic container provisioning of web systems in kubernetes // IEEE Transactions on Computers. 2021. V. 71. N 2. P. 337–348. doi: 10.1109/TC.2021.3049598

25. Cai Z., Wu H., Jiang X., Li X., Buyya R. Deep learning and feedback control based container auto-scaling for cloud native micro-services // IEEE Transactions on Services Computing. 2025. V. 18. N 5. P. 2714-2725. doi: 10.1109/TSC.2025.3596887

26. Ramamoorthi V. AI-enhanced performance optimization for microservice-based systems // Journal of Advanced Computing Systems. 2024. V. 4. N 9. P. 1–7. doi: 10.69987/JACS.2024.40901

27. Gotin M., Lösch F., Heinrich R., Reussner R. Investigating performance metrics for scaling microservices in CloudioTenvironments // Proc. of the ACM/SPEC International Conference on Performance Engineering. 2018. P. 157–167. doi: 10.1145/3184407.3184430

28. Alharthi S., Alshamsi A., Alseiari A., Alwarafy A. Auto-scaling techniques in cloud computing: Issues and research directions // Sensors. 2024. V. 24. N 17. P. 5551. doi: 10.3390/s24175551

29. Savitzky A., Golay M.J.E. Smoothing and differentiation of data by simplified least squares procedures // Analytical Chemistry. 1964. V. 36. N 8. P. 1627–1639. doi: 10.1021/ac60214a047

30. Xu M., Wen L., Liao J., Wu H., Ye K., Xu C. Auto-scaling approaches for cloud-native applications: a survey and taxonomy // arXiv. 2025. arXiv:2507.17128v1