Δυναμικός προγραμματισμός διεργασιών σε περιβάλλοντα Knative

Διαμαντή, Χριστίνα; Diamanti, Christina

dc.contributor.author	Διαμαντή, Χριστίνα	el
dc.contributor.author	Diamanti, Christina	en
dc.date.accessioned	2025-04-03T08:29:59Z
dc.date.available	2025-04-03T08:29:59Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61598
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29294
dc.rights	Default License
dc.subject	εξισορρόπηση φορτίου	el
dc.subject	αυτόματη κλιμάκωση	el
dc.subject	υπολογιστικό νέφος	el
dc.subject	διαχείριση πόρων	el
dc.subject	αρχιτεκτονική χωρίς διακομιστές	el
dc.subject	Knative	en
dc.subject	AIMD	en
dc.subject	cloud computing	en
dc.subject	serverless	en
dc.subject	load balancing	en
dc.subject	kubernetes	en
dc.subject	autoscaling	en
dc.title	Δυναμικός προγραμματισμός διεργασιών σε περιβάλλοντα Knative	el
heal.type	bachelorThesis
heal.secondaryTitle	Design and Implementation of a Dynamic Load Balancer Based on AIMD for Knative	el
heal.classification	Υπολογιστικά Νέφη	el
heal.classification	Εξισσορόπηση Φορτίου	el
heal.classification	Μοντέλο Serverless	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-30
heal.abstract	Η παρούσα διπλωματική εργασία ασχολείται με την πρόκληση του δυναμικού χρονοπρογραμματισμού διεργασιών και της εξισορρόπησης φορτίου σε περιβάλλοντα χωρίς διακομιστές, συγκεκριμένα στα πλαίσια του Knative. Καθώς οι σύγχρονες cloud-native εφαρμογές αντιμετωπίζουν κυμαινόμενα φορτία εργασίας, η διατήρηση της βέλτιστης απόδοσης και της αποδοτικής χρήσης πόρων καθίσταται κρίσιμη, ιδίως σε περιβάλλοντα κατανεμημένου και περιφερειακού υπολογισμού. Η εργασία που παρουσιάζεται εδώ προτείνει τον σχεδιασμό και την υλοποίηση ενός προσαρμοσμένου εξισορροπιστή φορτίου, βασισμένου στον αλγόριθμο Additive Increase Multiplicative Decrease (AIMD), ο οποίος ενσωματώνεται στο οικοσύστημα Knative. Αυτός ο εξισορροπιστής φορτίου προσαρμόζει δυναμικά τους ρυθμούς αποδοχής των εισερχόμενων αιτημάτων, διασφαλίζοντας την αποτελεσματική κατανομή της κίνησης σε πολλαπλές υπηρεσίες. Η λύση αξιοποιεί τόσο το Knative Pod Autoscaler (KPA) όσο και το Horizontal Pod Autoscaler (HPA) για τη διαχείριση της κλιμάκωσης των πόρων, σε απόκριση σε πραγματικού χρόνου μοτίβα κίνησης. Η ενσωμάτωση του RabbitMQ για τη διαχείριση των μηνυμάτων και του Redis για τη διαχείριση της κατάστασης επιτρέπει την απρόσκοπτη επικοινωνία μεταξύ των ελεγκτών αποδοχής και των υπηρεσιών κατανάλωσης. Πραγματοποιήθηκαν εκτεταμένες δοκιμές και αξιολογήσεις επιδόσεων υπό διάφορες συνθήκες φόρτου, συμπεριλαμβανομένων σταθερών και εκρηκτικών μοτίβων κίνησης. Τα αποτελέσματα καταδεικνύουν ότι η προσέγγιση που βασίζεται στο AIMD εξισορροπεί αποτελεσματικά την κυκλοφορία, αποτρέπει τη συμφόρηση στις ουρές αναμονής και κλιμακώνει δυναμικά τους πόρους, οδηγώντας σε βελτιωμένη απόδοση του συστήματος. Εκτός από την αντιμετώπιση του βασικού ζητήματος της εξισορρόπησης του φορτίου, η διατριβή εξετάζει τη δυνατότητα ενσωμάτωσης πιο εξελιγμένων μηχανισμών αυτόματης κλιμάκωσης. Η μελλοντική εργασία περιλαμβάνει την υιοθέτηση μοντέλων πρόβλεψης φόρτου εργασίας και σκιαγράφησης πόρων, βασισμένων στη μηχανική μάθηση, για την περαιτέρω βελτιστοποίηση των αποφάσεων κλιμάκωσης. Η προτεινόμενη λύση προσφέρει μια ευέλικτη και κλιμακούμενη αρχιτεκτονική για τη δυναμική διαχείριση πόρων σε περιβάλλοντα χωρίς διακομιστές, συμβάλλοντας στον ευρύτερο τομέα του cloud-native και του edge computing.	el
heal.abstract	The present thesis deals with the challenge of the dynami- scheduling of processes and load balancing in a process environments without servers, specifically in the context of Knative. modern cloud-native applications are faced with fluctuating workloads and workloads, maintaining optimal performance and efficient resource utilization becomes critical, especially in distributed and peripheral environments. computing. The work presented here proposes the design and implementation of a custom load balancer based on the Additive Increase Multiplicative Decrease (AIMD) algorithm, which integrates the integrated into the Knative ecosystem. This load balancer adap- dynamically adjusts the acceptance rates of incoming requests, ensuring that ensuring efficient distribution of traffic across multiple services. The solution leverages both the Knative Pod Autoscaler (KPA) and the Horizontal Pod Autoscaler (HPA) to manage the scaling of resources, from in response to real-time traffic patterns. The integration of RabbitMQ for message management and Redis for managing the message flow and the allows for seamless communication between the admission controllers and the and consumption services.Extensive testing and performance evaluations were carried out under various load conditions, including steady and explosive driving patterns. The results demonstrate that the AIMD-based approach effectively balances traffic, prevents congestion in queues and dynamically scales resources, leading to improved system performance. In addition to addressing the key issue of load balancing, the thesis explores the possibility of incorporating more sophisticated automatic scaling mechanisms. Future work includes the adoption of workload prediction and resource profiling models based on machine learning to further optimize scaling decisions. The proposed solution offers a flexible and scalable architecture for dynamic resource management in serverless environments, contributing to the broader field of cloudnative and edge computing.	en
heal.advisorName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Παπαβασιλείου, Συμεών	el
heal.committeeMemberName	Ρουσσάκη, Ιωάννα	el
heal.committeeMemberName	Καρυώτης, Βασίλειος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών. Τομέας Επικοινωνιών, Ηλεκτρονικής και Συστημάτων Πληροφορικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	168 σ.	el
heal.fullTextAvailability	false