Modelos estatísticos individuais e ensemble para autoescalonamento proativo em ambiente kubernetes: comparação preditiva e operacional

Abstract

Aplicações baseadas em sistemas distribuídos demandam técnicas de escalonamento adaptativas para mitigar gargalos de CPU e de RAM sob variações de carga. Estudos recentes têm demonstrado a viabilidade do uso de modelos de séries temporais para a previsão do consumo de recursos, apresentando-se como uma alternativa viável às abordagens fundamentadas em algoritmos determinísticos, a exemplo da teoria de filas e da teoria de controle. Neste contexto, este trabalho compara os modelos estatísticos de séries temporais Exponential Smoothing, Prophet e FFT. Tais modelos foram aplicados tanto individualmente quanto combinados em diferentes configurações de Ensembles de seleção dinâmica. A avaliação contempla a qualidade e o tempo de predição, bem como a aplicação prática dessas estimativas em um cluster Kubernetes, visando mensurar o impacto das decisões de escalonamento proativo no comportamento operacional do sistema. Para tal, analisaram-se violações de Acordos de Nível de Serviço (SLA), ocorrências de superprovisionamento e a oscilação do número de réplicas. Os resultados evidenciam que os modelos individuais exibem especializações assimétricas na predição de cargas de CPU e de RAM, e revelam que métricas de qualidade preditiva offline (como MAE e RMSE) não garantem a aderência aos SLAs em ambientes de escalonamento em tempo real. Conclui-se que os Ensembles formados por subconjuntos específicos dos modelos superaram as composições que integraram todos os algoritmos disponíveis. Isso ocorre pois a inclusão de um modelo com desempenho degradado em um determinado recurso prejudica as estimativas globais do Ensemble, ao passo que os pares sem degradação obtiveram as menores taxas de violação simultânea de CPU e de RAM no ambiente Kubernetes avaliado.