Export iten: EndNote BibTex

Please use this identifier to cite or link to this item: https://tede.unioeste.br/handle/tede/5996
Tipo do documento: Dissertação
Title: Orquestração personalizada de contêineres
Other Titles: Custom scheduler for Kubernetes
Autor: Santos , Luiz Fernando Altran dos 
Primeiro orientador: Galante , Guilherme
Primeiro membro da banca: Galante , Guilherme
Segundo membro da banca: Vasata , Darlon
Terceiro membro da banca: Camargo , Edson Tavares de
Quarto membro da banca: Oyamada , Marcio Seiji
Resumo: As políticas de alocação de contêineres presentes em orquestradores modernos, tal como o Kubernetes, são completamente agnósticas no que diz respeito a demandas específicas das aplicações ou atendimento a requisitos de negócio. Geralmente realizam a alocação das aplicações simplesmente espalhando-as entre os nós de trabalho usando algoritmos como Round-Robin ou First-Fit. Além disso, ao se delinear o estado da arte, verifica-se que as estratégias propostas não satisfazem os critérios de escalonamento de aplicações em ambientes de produção reais. Neste trabalho apresenta-se uma técnica que permite a personalização do escalonamento como alternativa ao comportamento padrão oferecido pelas ferramentas de orquestração de cargas de trabalho conteinerizadas em ambientes multi-cloud, realizando tratativas e validações pertinentes para se atingir o objetivo de realizar o direcionamento das instâncias da aplicação a nós computacionais com maior afinidade. Para isso, são consideradas características desejáveis ou impositivas, obtidas a partir da etapa de levantamento de requisitos durante a concepção da aplicação, ou ainda, na etapa de contratação do serviço de hospedagem em nuvem. Buscando oferecer uma alternativa para este comportamento e num formato de fácil utilização, propõe-se um escalonador personalizado que realiza uma análise de afinidade a partir de rótulos definidos em metadados dos objetos que representam cada um dos nós computacionais e cargas de trabalho em um ambiente orquestrado, e como segunda característica, prioriza a escolha através daqueles nós com a maior capacidade computacional ociosa, garantindo um direcionamento que respeite regras e restrições pré-definidas, de acordo com requisitos de negócio da aplicação. Para validação, foi realizada a construção de cenários hipotéticos com definição de rótulos aleatórios, que de alguma forma possuíam afinidade com um ou mais nós computacionais disponíveis no ecossistema multi-cloud construído, constituído por 25 nós distribuídos por 4 fornecedores de nuvem pública, com diferentes configurações de hardware e localização geográfica, muito semelhante aquele encontrado em empresas que exploram este tipo de serviço. Também foi realizada uma validação exclusiva para metrificação de desempenho do processo de escalonamento, com o objetivo de analisar as diferenças de tempo gasto entre um escalonador padrão e o proposto, sob as mesmas condições e cargas de trabalho.
Abstract: Container allocation policies present in modern orchestration tools, such as Kubernetes, are completely agnostic with respect to specific application requirements or meeting business rules. They usually perform the schedule of applications simply by spreading them among the worker nodes using algorithms such as Round-Robin or First-Fit. Furthermore, when outlining the state of the art, it appears that the proposed strategies do not satisfy the criteria for scheduling applications in real production environments. This work presents a technique that allows the customization of scheduling as an alternative to the default behavior offered by the orchestration tools of containerized workloads in multi-cloud environments, carrying out pertinent negotiations and validations to achieve the objective of performing the scaling of the application instances to compute nodes with higher affinity. For this, desirable or impositive features are considered, obtained from the requirements phase during the design of the application, or even at the phase of contracting the cloud hosting service. Looking to offer an alternative to this behavior and in an easy-to-use approach, we propose a custom scheduler that performs an affinity analysis from labels defined in metadata of objects that represent each of the compute nodes and workloads in an orchestrated environment, and as a second feature, prioritize the choice through those nodes with the highest idle computational resources, ensure a result that respects pre-defined rules and restrictions, according to the application business requirements. For validation, hypothetical scenarios were built with the definition of random labels, which somehow had an affinity with one or more compute nodes available in the built multi-cloud environment, consisting of 25 nodes distributed across 4 public cloud providers, with different hardware configurations and geographic location, very similar to that found in companies that use this kind of service. An exclusive validation was also carried out to metrify the performance of the scheduling process, in order to analyze the differences in time spent between the default scheduler and the proposed one, under the same conditions and workload
Keywords: Multi-cloud
Contêineres
Escalonador
Kubernetes
Multi-cloud
Container
Scheduler
Kubernetes
CNPq areas: CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO
Idioma: por
País: Brasil
Publisher: Universidade Estadual do Oeste do Paraná
Sigla da instituição: UNIOESTE
Departamento: Centro de Ciências Exatas e Tecnológicas
Program: Programa de Pós-Graduação em Engenharia Elétrica e Computação
Campun: Cascavel
Citation: Santos , Luiz Fernando Altran dos. Orquestração personalizada de contêineres. 2022. 102 f. Dissertação( Mestrado em Engenharia Elétrica e Computação) - Universidade Estadual do Oeste do Paraná, Cascavel, 2022.
Tipo de acesso: Acesso Aberto
Endereço da licença: http://creativecommons.org/licenses/by/4.0/
URI: https://tede.unioeste.br/handle/tede/5996
Issue Date: 17-Feb-2022
Appears in Collections:Mestrado em Ciência da Computação (CVL)

Files in This Item:
File Description SizeFormat 
Luiz_Santos2022.pdfArquivo completo1.55 MBAdobe PDFView/Open Preview


This item is licensed under a Creative Commons License Creative Commons