Perpustakaan Digital ITB

Kubernetes telah menjadi platform utama untuk pengelolaan kontainer di lingkungan komputasi modern, namun autoscaler bawaan Kubernetes, HorizontalPodAutoscaler (HPA), masih memiliki keterbatasan dalam merespons perubahan beban kerja yang tiba-tiba. Penelitian ini bertujuan untuk mengembangkan autoscaler berbasis deep learning pada Kubernetes yang dapat melakukan respons yang lebih cepat dan dapat melakukan scaling dengan melakukan prediksi metrik beban kerja yang akan datang dengan tujuan mencegah delayed queueing effect. Penelitian ini mencakup beberapa tahap utama: merancang dan mengimplementasikan sistem pengambilan, pengolahan, dan penyimpanan data metrik mentah dari Kubernetes; merancang dan mengimplementasikan autoscaler berbasis deep learning menggunakan Recurrent Neural Network (RNN); serta membandingkan kinerja autoscaler yang dikembangkan dengan HPA. Hasil pengujian menunjukkan bahwa meskipun autoscaler berbasis deep learning memiliki potensi dalam memprediksi metrik beban kerja, hasil prediksi metrik tersebut masih belum terlalu akurat. Akibatnya, kinerja autoscaler tersebut masih belum lebih baik dibandingkan dengan HPA. Hal ini disebabkan oleh kurangnya jumlah data latih serta prediksi penurunan metrik yang terlalu cepat. Saran untuk penelitian selanjutnya meliputi peningkatan jumlah dan variasi data latih, implementasi fine-tuning otomatis, penggunaan stabilization window untuk kestabilan scaling, dan integrasi autoscaler sebagai ekstensi Kubernetes. Penelitian ini membuktikan bahwa penggunaan deep learning untuk autoscaling di Kubernetes memiliki potensi, namun memerlukan penelitian lebih lanjut untuk mencapai kinerja yang lebih baik dari HPA.