Details

В исследовании рассматриваются ограничения существующих ручных и автоматизированных подходов к масштабированию, которые зачастую не гарантируют своевременного, эффективного и надежного распределения вычислительных ресурсов при динамических нагрузках. Цели исследования включают в себя: 1) Анализ существующих механизмов масштабирования и выявление их ограничений; 2) Формулирование функциональных и архитектурных требований к провайдеру Karpenter для OpenStack; 3) Разработка и реализация архитектуры поставщика; 4) Интеграция с API OpenStack и Kubernetes; 5) Экспериментальная оценка производительности и отказоустойчивости. Практическая часть работы включала разработку основных компонентов провайдера, реализацию логики предоставления и деинициализации узлов, а также проведение тестов для оценки корректности решений по масштабированию и стабильности системы под нагрузкой. Результаты показывают, что предлагаемое решение повышает эластичность, сокращает время отклика по сравнению с традиционными механизмами масштабирования и повышает эффективность использования ресурсов в кластерах Kubernetes. Разработанный провайдер может быть применен в производственных облачных средах и служит основой для будущих исследований в области автоматического масштабирования.

The subject of the graduate qualification work is devoted to the development of an autoscaling solution for Kubernetes clusters operating on OpenStack-based cloud platforms. The study addresses the limitations of both manual and existing automated scaling approaches, which often fail to ensure timely, efficient, and reliable allocation of computing resources under dynamic workloads. The research goals include: 1) Analysis of existing scaling mechanisms and identification of their limitations; 2) Formulation of functional and architectural requirements for a Karpenter provider for OpenStack; 3) Design and implementation of the provider architecture; 4) Integration with OpenStack and Kubernetes APIs; 5) Experimental evaluation of performance and fault tolerance. The practical part of the work involved developing the core components of the provider, implementing logic for node provisioning and deprovisioning, and conducting tests to assess correctness of scaling decisions and system stability under load. The results demonstrate that the proposed solution improves elasticity, reduces reaction time compared to traditional scaling mechanisms, and increases the efficiency of resource utilization in Kubernetes clusters. The developed provider may be applied in production cloud environments and serves as a foundation for further research in the field of autoscaling.