В работе рассматривается задача оценки текущей потребности микросервиса в вычислительных ресурсах на основе данных мониторинга, представляемых в виде временных рядов, результаты которой затем могут быть использованы в процессе принятия решений по выделению вычислительных ресурсов. Под потребностью понимается требуемая интенсивность потребления наиболее востребованного вычислительного ресурса, обеспечивающая обработку поступающих задач при заданном окне дискретизации. Предлагается практический алгоритм, включающий: выбор информативных метрик с применением корреляционного анализа; синхронизацию, нормализацию и приведение метрик к единой дискретной шкале; очистку телеметрии от выбросов, квантования и пропусков с восстановлением значений; обнаружение точек разладки и сегментацию на режимы работы; формирование базовой линии потребления и восстановление ряда потребности r(t). Для построения r(t) рассматриваются два семейства методов. В бесклассовой постановке оценивается удельная ресурсоемкость запроса по расходу ресурса и счетчикам входящих/обработанных задач, вводится экспоненциальное сглаживание, а параметры сглаживания адаптируются при смене режимов. В классовой постановке вводится разбиение запросов по типам и решается регрессионная задача для оценивания стоимостей классов с использованием NNLS и онлайн-RLS с фактором забывания. Приводится методика экспериментальной проверки на воспроизводимом микросервисном стенде с контролируемыми сценариями нагрузки, сравнением точности относительно эталонного расхода и оценкой вычислительных затрат, что делает результаты применимыми для мониторинга и масштабирования.
The paper considers the task of estimating the current demand for computing resources by a micro-service based on monitoring data represented as time series, the results of which can then be used in decision-making on the allocation of computing resources. The demand is understood as the required intensity of consumption of the most in-demand computing resource, which ensures the processing of incoming tasks within a specified sampling window. A practical algorithm is proposed, which includes the following steps: selecting informative metrics using correlation analysis; synchronizing, normalizing, and converting metrics to a single discrete scale; cleaning telemetry from outliers, quantization, and missing values, and restoring them; detecting points of failure and segmenting them into operating modes; generating a baseline for consumption and restoring the demand series r(t). Two families of methods are considered for building the demand series, r(t). In the unsuper-vised setting, the specific resource consumption of a request is estimated based on the resource consumption and the counts of incoming/processed tasks, and exponential smoothing is introduced, with the smoothing parameters adapting to changes in modes. In the supervised setting, requests are divided into types/endpoints, and a regression problem is solved to estimate the costs of classes using NNLS and online RLS with a forgetting factor. The paper presents a methodology for experimental validation using a reproducible microservice testbed with controlled load scenarios, comparing the accuracy against the reference consumption, and estimating computational costs, making the results applicable for monitoring and scaling purposes.
The authors declare that there are no conflicts of interest present.