Đề tài Machine learning - Based auto - scaling for containerized applications

Sinh viên thực hiện:Ngô Song Việt Hoàng Giảng viên hướng dẫn: PGS.TS. Huỳnh Thị Thanh Bình , Đỗ Bảo Sơn Machine learning-based auto-scaling for containerized applications Imdoukh, M., Ahmad, I. & Alfailakawi, M.G. Machine learning-based auto-scaling for containerized applications. Neural Comput & Applic 32, 9745–9760 (2020). Nội dung Giới thiệu đề tài Nghiên cứu liên quan Hướng tiếp cận đề xuất của bài báo Thực nghiệm và đánh giá 1. Giới thiệu đề tài +Bài báo đã đưa ra một phương pháp học máy để xử lý bài toán nêu trên +Kiến trúc của giải pháp tự động này gồm 4 bước: đo lường, phân tích, chuẩn bị, xử lý Đặt vấn đề Các ứng dụng được đóng gói(containerized application) được triển khai trên cloud cần được có những phương pháp tự động cung cấp đúng lúc với sự tăng giảm hợp lý mà không cần có tác động con người để có thế đáp ứng được sự biến động trong tải (workload) hay còn gọi là auto-scaler Container là gì Container là gì Hệ thống autoscaler Khái niệm : Đây là phương pháp giúp tự động mở rộng hoặc giảm thiểu số lượng các tài nguyên máy tính được phân phối cho ứng dụng vào bất kỳ thời điểm nào theo nhu cầu sử dụng Các thành phần: Monitor Analyzer Plan Executor 2. Các nghiên cứu liên quan Reactive method: Đặt một ngưỡng giá trị để dự đoán Proactive method: Sử dụng các phương pháp học máy, học sâu để dự đoán ngưỡng giá trị khi ta phải tăng giảm các máy Hybrid method: Kết hợp 2 phương pháp nêu trên 2. Các nghiên cứu liên quan 3. Hướng tiếp cận của bài báo 3.1. Kiến trúc hệ thống 3. Hướng tiếp cận của bài báo Trong phạm vi của bài báo chỉ tập trung vào phần analyzer và planner 3.2. Kiến trúc của auto-scaler 3. Hướng tiếp cận của bài báo 3.3. Thuật toán tại pha planner 3. Hướng tiếp cận của bài báo 3.3. Thuật toán tại pha planner thuật toán được biểu diễn dưới dạng pseudo-code Mô hình dự đoán Mô hình ANN Kiến trúc mạng kiến trúc mô hình Mô hình dự đoán Mạng LSTM Kiến trúc mạng kiến trúc mô hình 4. Thực nghiệm và đánh giá Mô tả bộ dữ liệu Dữ liệu log của fifa1998 chứa các request trong thời gian từ ngày 30/4 đến 26/7 Dữ liệu được chuẩn hóa là số lượng request cao nhất trong từng phút Dữ liệu sau ghi được chuẩn hóa có số lượng 125299 bản ghi 4. Thực nghiệm và đánh giá 4.Thực nghiệm và đánh giá 4. Thực nghiệm và đánh giá Model Type ANN - 1 step LSTM - 1 step ANN - 5 steps LSTM - 5 steps MSE / M2 0.002 0.00054 0.00086 0.0009 R2 / M2 0.912 0.959 0.939 0.936 MSE / M1 0.0019 0.0008 0.0017 0.0024 R2 / M1 0.906 0.942 0.913 0.9370 Kết quả thực tế triển khai đối với mô hình dự đoán 4. Thực nghiệm và đánh giá Kết quả triển khai mô hình từ đầu đến cuối của bài báo Thanks For Watching