Тип публикации: статья из журнала
Год издания: 2025
Ключевые слова: microservices architecture, Self-adaptive systems, machine learning, autonomous management, anomaly detection, service orchestration, микросервисная архитектура, самоадаптивные системы, машинное обучение, автономное управление, обнаружение аномалий, оркестрация сервисов
Аннотация: Традиционные подходы к управлению ресурсами и конфигурации сервисов зачастую опираются на статические пороговые значения или ручное вмешательство, что приводит к неоптимальным или запоздалым реакциям в динамических условиях. Современные микросервисные архитектуры, в частности, требуют высокой доступности, производительности и масштПоказать полностьюабируемости при изменяющихся нагрузках. В данной статье предлагается комплексная самоадаптивная архитектура микросервисов, интегрирующая методы машинного обучения (ML) в обратную связь, предназначенную для мониторинга ключевых показателей и автономной оркестрации сервисов. Архитектура использует цикл обратной связи на основе машинного обучения для мониторинга важных метрик и адаптивного управления ресурсами, прогнозируя изменения и принимая решения в автоматическом режиме. Экспериментальные исследования на платформах оркестрации контейнеров (например, Kubernetes) подтвердили, что предложенное решение не только сокращает операционные издержки, но и повышает устойчивость и экономическую эффективность системы. Исследование представляет детальный обзор паттернов проектирования, структур данных и моделей машинного обучения, необходимых для построения самоадаптивных сред промышленного уровня. Modern software systems, especially those based on microservices, face rapidly changing workloads and stringent requirements for high availability, performance, and scalability. Traditional approaches to resource management and service configuration often rely on static thresholds or manual interventions, leading to suboptimal or delayed responses under dynamic conditions. This paper proposes a comprehensive self-adaptive microservices architecture that integrates machine learning (ML) methods into a feedback loop to monitor key metrics (resource usage, response time, business indicators), forecast traffic surges, detect anomalies, and automatically adjust system configurations. By implementing the MAPE-K (Monitor - Analyze - Plan - Execute - Knowledge) loop within an autonomous controller, the system can continuously learn from real-time data, optimize resource allocation, and maintain high service quality under unpredictable loads. Experimental results with container orchestration platforms (e.g., Kubernetes) demonstrate that the proposed solution not only reduces operational overhead but also enhances system resilience and cost-effectiveness. This study offers insights into the design patterns, data pipelines, and ML models necessary for building production-grade self-adaptive environments, paving the way for future research on multi-cloud, edge computing, and advanced security extensions.
Журнал: Глобальный научный потенциал
Выпуск журнала: №3-1
Номера страниц: 230-233
ISSN журнала: 19979355
Место издания: Санкт-Петербург
Издатель: Межрегиональная общественная организация "Фонд развития науки и культуры"