Аналіз методів оптимізації ресурсів мікросервісних додатків у хмарних середовищах: сучасний стан та перспективи

Abstract

Систематизовано існуючі підходи до оптимізації ресурсів мікросервісних додатків у хмарних середовищах. Виділено чотири категорії методів: статичні, динамічні на основі правил, на основі машинного навчання та гібридні. Встановлено, що ML-методи дозволяють суттєво підвищити утилізацію ресурсів порівняно з пороговими підходами. Гібридні методи, що поєднують проактивне прогнозування з реактивними механізмами, демонструють найкращі результати з точки зору дотримання угод про рівень обслуговування. Визначено перспективний напрямок подальших досліджень – розроблення адаптивних гібридних методів, здатних автоматично обирати оптимальну стратегію керування ресурсами залежно від поточних характеристик навантаження.