Autoscaling Proaktif Sadar Stabilitas Memakai Double Deep Q-Network di Lingkungan Cloud Computing

Pendekatan autoscaling proaktif berbasis DDQN dengan Resource Removal Strategy untuk penskalaan cloud yang stabil dan adaptif

Bablu Kumar; Anshul Verma; Rajkumar Buyya· 2026· DOI 10.48550/arXiv.2609.14894

Masalah inti

Beban kerja dinamis dan aplikasi yang sensitif terhadap latensi menuntut autoscaling yang efisien di lingkungan cloud computing. Namun, sebagian besar pendekatan autoscaling yang ada bergantung pada mekanisme reaktif berbasis ambang statis, yang menyebabkan respons tertunda dan osilasi penskalaan saat beban kerja tidak pasti. Keterbatasan ini mendorong kebutuhan akan solusi autoscaling proaktif dan cerdas yang dapat mengantisipasi perubahan beban kerja dan membuat keputusan penskalaan yang stabil. Untuk mengatasi tantangan tersebut, penulis mengusulkan pendekatan autoscaling proaktif berbasis double deep Q-Network (DDQN-Proactive) yang dikombinasikan dengan Resource Removal Strategy (RRS). DDQN+RRS yang diusulkan meningkatkan pengambilan keputusan dengan memisahkan pemilihan aksi dari evaluasi nilai, sehingga penskalaan menjadi lebih stabil dan adaptif. Digest ini menyajikan aspek utama metodologi, hasil, dan implikasi dari pendekatan yang diusulkan.

Hasil eksperimen menunjukkan bahwa metode DDQN+RRS yang diusulkan mengungguli pendekatan reaktif maupun proaktif yang ada. Metrik kinerja utama dirangkum sebagai berikut: - **Tingkat pelanggaran SLA**: DDQN+RRS mencapai tingkat pelanggaran SLA yang lebih rendah, yaitu **11,81%**, dibandingkan tingkat yang lebih tinggi pada metode baseline. - **Utilisasi CPU**: Pendekatan ini mencapai utilisasi CPU yang lebih tinggi, yaitu **52,23%**, yang menunjukkan penggunaan sumber daya yang efisien. - **Stabilitas penskalaan**: DDQN+RRS menunjukkan stabilitas penskalaan yang lebih baik dengan lebih sedikit peristiwa penskalaan (**2.488**) dan restart pod yang berkurang (**1.246**). - **Pengurangan osilasi**: Metode ini secara signifikan mengurangi osilasi seiring waktu, terutama pada interval 0-60 s. Sementara metode reaktif menunjukkan fluktuasi besar dalam alokasi pod, DDQN+RRS mencapai penskalaan yang paling stabil dan lancar, terutama pada interval 15-30 s, 40-45 s, dan 55-60 s. Hasil ini menyoroti efektivitas pendekatan DDQN+RRS dalam menjaga stabilitas sekaligus memenuhi persyaratan kinerja.

Beban kerja dinamis dan aplikasi yang sensitif terhadap latensi menuntut autoscaling yang efisien di lingkungan cloud computing. Namun, sebagian besar pendekatan autoscaling yang ada bergantung pada mekanisme reaktif berbasis ambang statis, yang menyebabkan respons tertunda dan osilasi penskalaan saat beban kerja tidak pasti. Keterbatasan ini mendorong kebutuhan akan solusi autoscaling proaktif dan cerdas yang dapat mengantisipasi perubahan beban kerja dan membuat keputusan penskalaan yang stabil. Untuk mengatasi tantangan tersebut, penulis mengusulkan pendekatan autoscaling proaktif berbasis double deep Q-Network (DDQN-Proactive) yang dikombinasikan dengan Resource Removal Strategy (RRS). DDQN+RRS yang diusulkan meningkatkan pengambilan keputusan dengan memisahkan pemilihan aksi dari evaluasi nilai, sehingga penskalaan menjadi lebih stabil dan adaptif. Digest ini menyajikan aspek utama metodologi, hasil, dan implikasi dari pendekatan yang diusulkan.

Pendekatan yang diusulkan, DDQN-Proactive, memanfaatkan double deep Q-Network (DDQN) untuk membuat keputusan penskalaan proaktif. DDQN adalah teknik reinforcement learning yang mengatasi bias overestimasi pada DQN standar dengan memisahkan pemilihan aksi dari evaluasi nilai. Hal ini dicapai dengan menggunakan dua jaringan terpisah: jaringan online untuk pemilihan aksi dan jaringan target untuk evaluasi nilai. Aturan pembaruan untuk nilai target diberikan oleh:

Kinerja superior DDQN+RRS dapat dikaitkan dengan sifat proaktifnya serta stabilitas yang diperkenalkan oleh mekanisme double Q-learning dan Resource Removal Strategy. Dengan memisahkan pemilihan aksi dari evaluasi nilai, DDQN mengurangi bias overestimasi, sehingga estimasi nilai lebih akurat dan keputusan kebijakan lebih baik. RRS lebih lanjut menghaluskan aksi penskalaan dengan mencegah penghapusan sumber daya yang cepat, yang merupakan penyebab umum osilasi pada autoscaling reaktif. Penurunan pelanggaran SLA dan restart pod menunjukkan keandalan dan pengalaman pengguna yang lebih baik. Utilisasi CPU yang lebih tinggi menunjukkan bahwa sumber daya digunakan lebih efisien, yang dapat menghemat biaya. Pengurangan osilasi yang signifikan, terutama pada interval kritis, menunjukkan kemampuan metode ini menangani ketidakpastian beban kerja dengan baik. Secara keseluruhan, pendekatan yang diusulkan menawarkan solusi menjanjikan untuk autoscaling di lingkungan cloud, menyeimbangkan kinerja, stabilitas, dan efisiensi. Penelitian selanjutnya dapat mengeksplorasi integrasi dengan sistem manajemen cloud lain dan adaptasi terhadap pola beban kerja yang berbeda.

Praktisi dan peneliti ilmu komputer

Membuka konten member…