Editorial ilmu komputer
Open AccessOA2026
ADASCALE: Kerangka Penskalaan dan Penempatan Adaptif untuk Microservices di Bawah Dinamika
Pendekatan MAPE-loop yang secara bersama-sama menskalakan dan menempatkan replika microservice untuk memenuhi SLO di bawah lalu lintas non-stasioner, operasi root campuran, dan latensi antar-node yang heterogen di lingkungan cloud-edge.
Ming Chen; Muhammed Tawfiqul Islam; Maria Rodriguez Read; Rajkumar Buyya· 2026· DOI 10.48550/arXiv.2607.15681
Masalah inti
Aplikasi microservice semakin banyak diterapkan di lingkungan cloud-edge, tempat node yang heterogen dan penundaan antar-node yang berubah terhadap waktu memperkuat dampak keputusan penempatan. Pada saat yang sama, aplikasi-aplikasi ini menghadapi lalu lintas non-stasioner, pergeseran dalam campuran operasi permintaan root yang menjalankan call graph berbeda, dan mode komunikasi heterogen yang menentukan bagaimana latensi jaringan dan antrian merambat ke kinerja end-to-end (E2E). Autoscaler dan penjadwal sadar jaringan yang ada biasanya hanya menangani sebagian dari dinamika ini, sehingga menyebabkan kemacetan komputasi atau latensi lintas-node yang membengkak dan dengan demikian pelanggaran SLO. Penulis mengusulkan ADASCALE, kerangka adaptif yang secara bersama-sama menskalakan dan menempatkan replika microservice di bawah dinamika multi-dimensi tersebut. Masalah inti yang ditangani adalah optimasi bersama jumlah replika dan penempatan untuk memenuhi SLO sekaligus meminimalkan latensi dan memaksimalkan throughput dalam pengaturan cloud-edge yang dinamis.
Inovasi
ADASCALE dievaluasi pada klaster Kubernetes cloud-edge menggunakan aplikasi DeathStarBench Social Network dengan tiga operasi root di bawah beban dan campuran beban kerja yang bervariasi. Di seluruh skenario, ADASCALE secara konsisten memenuhi target SLO dan meningkatkan latensi serta throughput. Dibandingkan dengan NetMARKS_Scale, kerangka ini mencapai rata-rata waktu respons hingga 1,56x, 1,93x, dan 1,34x lebih rendah untuk compose-post, read-home-timeline, dan read-user-timeline. Kerangka ini juga mencapai throughput hingga 2,16x, 1,32x, dan 1,36x lebih tinggi untuk operasi yang sama. Hasil ini menunjukkan bahwa ADASCALE secara efektif menangani lalu lintas non-stasioner, pergeseran campuran operasi root, dan mode komunikasi heterogen, mengungguli autoscaler sadar jaringan yang canggih.
Aplikasi microservice semakin banyak diterapkan di lingkungan cloud-edge, tempat node yang heterogen dan penundaan antar-node yang berubah terhadap waktu memperkuat dampak keputusan penempatan. Pada saat yang sama, aplikasi-aplikasi ini menghadapi lalu lintas non-stasioner, pergeseran dalam campuran operasi permintaan root yang menjalankan call graph berbeda, dan mode komunikasi heterogen yang menentukan bagaimana latensi jaringan dan antrian merambat ke kinerja end-to-end (E2E). Autoscaler dan penjadwal sadar jaringan yang ada biasanya hanya menangani sebagian dari dinamika ini, sehingga menyebabkan kemacetan komputasi atau latensi lintas-node yang membengkak dan dengan demikian pelanggaran SLO. Penulis mengusulkan ADASCALE, kerangka adaptif yang secara bersama-sama menskalakan dan menempatkan replika microservice di bawah dinamika multi-dimensi tersebut. Masalah inti yang ditangani adalah optimasi bersama jumlah replika dan penempatan untuk memenuhi SLO sekaligus meminimalkan latensi dan memaksimalkan throughput dalam pengaturan cloud-edge yang dinamis.
ADASCALE mengimplementasikan loop Monitor-Analyzer-Planner-Executor (MAPE) yang mengekstrak permintaan per-edge dan per-service dari trace terdistribusi dan metrik service-mesh, mengidentifikasi operasi root paling kritis di bawah beban kerja campuran, menghitung target replika yang sadar SLO, lalu menempatkan replika untuk meminimalkan objektif latensi berbobot permintaan dengan mempertimbangkan matriks latensi antar-node saat ini. Untuk bereaksi cepat terhadap gangguan jaringan, ADASCALE memicu loop penempatan reaktif, sementara loop autoscaling steady-state menangani pergeseran permintaan.
Mengapa penting
Hasil menunjukkan bahwa penanganan bersama penskalaan dan penempatan di bawah dinamika multi-dimensi menghasilkan peningkatan signifikan dibandingkan pendekatan yang hanya menangani sebagian faktor tersebut. Kemampuan ADASCALE mengidentifikasi operasi root paling kritis di bawah beban kerja campuran memungkinkannya memprioritaskan sumber daya secara efektif, mengurangi pelanggaran SLO. Loop penempatan reaktif memungkinkan adaptasi cepat terhadap gangguan jaringan, sementara loop autoscaling steady-state menangani pergeseran permintaan bertahap. Objektif latensi berbobot permintaan memastikan keputusan penempatan mempertimbangkan permintaan service dan latensi antar-node, sehingga menghasilkan kinerja E2E yang lebih baik. Evaluasi pada klaster Kubernetes cloud-edge dengan DeathStarBench Social Network menunjukkan penerapan praktis ADASCALE. Namun, studi ini terbatas pada aplikasi dan pengaturan klaster tertentu; pekerjaan selanjutnya dapat mengeksplorasi aplikasi lain dan lingkungan edge yang lebih beragam. Kandidat taksonomi untuk pekerjaan ini meliputi Architecture, Cybersecurity, Network, dan Cryptography, meskipun fokus utamanya adalah pada aspek arsitektur dan jaringan dari penskalaan dan penempatan microservice.
Siapa yang sebaiknya membaca
Praktisi dan peneliti ilmu komputer
Membuka konten member…