Details

Работа посвящена разработке адаптивной системы управления ресурсами облачно-ориентированных приложений в средах с контейнерной виртуализацией на базе теории автоматического управления и методов машинного обучения. Обоснована актуальность из-за ограничений реактивных автоскейлеров (например, Kubernetes HPA), приводящих к росту задержек и перерасходу ресурсов при динамичных нагрузках. Предложена универсальная математическая модель контейнера как динамической системы (входы — интенсивность запросов, лимиты CPU/памяти; выходы — SLA-метрики, задержка), что позволяет корректно применять ПИД-регуляторы и фильтр Калмана для стабилизации. Разработана методология построения адаптивных Kubernetes Operators, сочетающая ПИД-регулирование с легковесным ML-модулем (LightGBM) для прогнозирования нагрузки и классификации аномалий. Экспериментальная апробация в тестовом кластере (10–100 контейнеров, ~1000 запросов/с) показала снижение задержки ответа до 80–100 мс (с ~300 мс у HPA), экономию CPU до 15% и рост устойчивости на 25–30%. Научная новизна состоит в универсальной модели контейнера и проактивном алгоритме с динамической настройкой коэффициентов ПИД на основе оценок состояния; практическая значимость — в реализации прототипа оператора, совместимого с Kubernetes API и пригодного для e-commerce, финансовых сервисов, IoT и научных вычислений. Результаты соответствуют паспорту специальности 2.3.5 и подтверждены публикациями и апробацией.

This work develops an adaptive resource-management system for cloud-oriented applications running in containerized environments,grounded in control theory and machine learning. The study is motivated by the limitations of reactive autoscalers (e.g.,Kubernetes HPA),which under dynamic workloads lead to increased latency and resource overprovisioning. We propose a universal mathematical model of a container as a dynamical system—inputs include request intensity and CPU/memory limits; outputs include SLA metrics and latency—enabling principled application of PID control and the Kalman filter for stabilization. We further present a methodology for building adaptive Kubernetes Operators that integrates PID-based stabilization with a lightweight ML module (LightGBM) for workload forecasting and anomaly classification. Experimental evaluation in a test cluster (10–100 containers,≈1000 requests/s) demonstrates a reduction in response latency to 80–100 ms (from ≈300 ms with HPA),CPU savings of up to 15%,and an improvement in resilience by 25–30%. The scientific novelty lies in the universal container model and a proactive algorithm with online tuning of PID gains based on state estimates; the practical relevance is confirmed by a prototype operator compatible with the Kubernetes API and applicable to e-commerce,financial services,IoT,and scientific computing. The results align with specialty 2.3.5 and are supported by publications and approbation.