28867

ارائه رويكردي براي مقياس‌پذيري خودكار نرم‌افزارهاي مبتني بر ميكروسرويس در محيط‌هاي پردازش ابري

كارشناسي ارشد

مهندسي كامپيوتر

1399

1402/6/19

دكتر مهرداد آشتياني

مهندسي كامپيوتر

امروزه برنامه‌هاي تحت وب، از رايج‌ترين برنامه‌هاي كاربردي در فناوري هستند. ارائه‌دهندگان برنامه‌هاي تحت وب، برنامه‌هاي خود را به مراكز داده ابري منتقل كرده‌اند. در اين بين ميكروسرويس يك معماري محبوب براي ساخت برنامه‌هاي بومي ابري شده است. در صورتي كه منابع اختصاص داده شده به برنامه، متناسب با نيازمندي‌هاي آن نباشد، با تأخير در پاسخ‌دهي يا هدرفت منابع مواجه مي‌شويم كه در پي آن عدم رضايت مشتري را نيز خواهيم داشت. اين موضوع در برنامه‌هاي مبتني بر ميكروسرويس به يك چالش تبديل شده است زيرا ممكن است هزاران سرويس خرد در سيستم وجود داشته باشند كه با يكديگر تعاملات پيچيده برقرار مي‌كنند. مقياس‌پذيري خودكار يك ويژگي رايانش ابري است كه قابليت مقياس‌بندي منابع براساس تقاضا را فراهم مي‌كند و به ارائه‌دهندگان برنامه‌هاي وب اين امكان را مي‌دهد كه منابع ارائه شده به برنامه‌هاي خود را بدون دخالت انسان تحت باركاري پويا به منظور به حداقل رساندن هزينه منابع و تأخير و در عين حال برآوردن الزامات كيفيت خدمات ، مقياس‌بندي كنند. در اين پژوهش، راه‌كارهاي ارائه شده در اين حوزه را از منظرهاي مختلف بررسي كرده و سپس باتوجه به چالش‌هاي اشاره شده سعي داريم تا ابتدا راه‌كاري در خصوص يافتن باركاري تمام ميكروسرويس‌ها با استفاده از باركاري كلي وارد شده به سيستم و روابط و فراخواني‌هاي بين آن‌ها ارائه كنيم؛ چرا كه در يك برنامه مبتني بر ميكروسرويس حجيم، نظارت در سطح سرويس براي وصول به معيارهاي سيستمي دشوار بوده و به همين خاطر تصميم‌گيري براي مقياس‌بندي هريك از آن‌ها براي ما دشوار و هزينه‌بر است. سپس يك روش تصميم‌گيري چندمعياره مناسب جهت انتخاب ميكروسرويس‌هاي لازم براي تغيير مقياس در اين برنامه‌ها ارائه خواهيم كرد. نتايج آزمايش‌ها نشان خواهند داد كه تشخيص باركاري ورودي به ميكروسرويس‌ها با دقت ميانگين 99% انجام مي‌شود. همچنين روش پيشنهادي درخصوص استفادۀ حداكثري از منابع به‌طور ميانگين 22.73 درصد، كم شدن تعداد دفعات تغيير مقياس 69.82 درصد و در آخر پايين آمدن تعداد منابع مورد نياز كه بر هزينۀ مالي و زماني نيز تأثير دارد، 1.67 درصد نسبت به روش‌هاي عادي تصميم‌گيري در پژوهش‌هاي مشابه بهبود حاصل خواهد كرد.

1402/07/23

An approach for auto-scaling microservice-based software in cloud computing environments

9/9/2024 12:00:00 AM

Today, web applications are one of the most common applications providing service to users. Web application providers have moved their applications to cloud data centers. In this regard, microservices have become a popular architecture for building cloud-native applications. If the resources allocated to the service are not aligned with its requirements, instances of failure or delayed response will increase, resulting in customer dissatisfaction. This problem has become a significant challenge in microservices-based applications because thousands of microservices in the system may have complex interactions. Auto-scaling is a feature of cloud computing that enables resource scalability on demand, thus allowing service providers to deliver resources to their applications without human intervention under a dynamic workload to minimize resource cost and latency while maintaining the quality of service requirements. In this research, we have analyzed and divided the solutions presented in this field from different perspectives. Then, according to the mentioned challenges, we aimed to establish a computational model for analyzing the workload of all microservices. To this end, the overall workload entering the system was considered, and the relationships and function calls between microservices were taken into account, because in a large-scale application with thousands of microservices, accurately monitoring all microservices and gathering precise performance metrics are usually difficult. Then, we developed a multi-criteria decision-making method to select candidate microservices for scaling. The results of the conducted experiments show that the detection of input load toward microservices is performed with an average high accuracy of 99%. Furthermore, the proposed approach improved maximum use of resources by an average of 22.73%, reducing the number of scaling times by 69.82%, and ultimately reducing the number of required resources which also affects the cost, by 1.67% compared to existing approaches.

برنامه‌هاي تحت وب , ميكروسرويس , رايانش ابري , باركاري , مقياس‌پذيري خودكار

web applications , microservice , cloud computing , workload , auto-scaling

Matineh ZargarAzad

Mehrdad Ashtiani