Perpustakaan Digital ITB

Service mesh merupakan salah satu solusi untuk menangani masalah lintas- service pada arsitektur microservices. Akan tetapi, pengaturan parameter circuit breaker secara statis tidak mencerminkan kondisi lingkungan microservices yang dinamis. Masalah ini juga terdapat pada service mesh. Sudah terdapat beberapa penelitian circuit breaker adaptif untuk mengatur paramater circuit breaker secara dinamis berdasarkan kondisi lingkungan microservices, khususnya pada service mesh. Namun, masih terdapat beberapa gap penelitian terkait non-functional property atau metrik yang digunakan sebagai representasi state microservices dan algoritma yang digunakan, khususnya pada salah satu penelitian circuit breaker adaptif berbasis Deep Reinforcement Learning (DRL). Penelitian ini menjembatani kekurangan tersebut dengan merancang circuit breaker adaptif pada service mesh dengan Proximal Policy Optimization (PPO) sebagai salah satu algoritma DRL melalui sebuah controller. Pengujian circuit breaker adaptif ini dilakukan pada service mesh Istio. Controller yang dirancang berhasil mengatur parameter http2MaxRequests secara dinamis setiap 10 detik berdasarkan request rate, P95 response time, dan success rate permintaan. Berdasarkan hasil pengujian pada tiga model PPO yang dilatih, dicapai success rate sebesar 89,93%, 90,18%, dan 90,50% dengan P95 response time-nya berturut-turut sebesar 885,71 ms, 913,77 ms, dan 941,65 ms. Hasil evaluasi menunjukkan bahwa circuit breaker adaptif yang dirancang berhasil mencapai success rate yang optimal dengan P95 response time yang terjaga dibandingkan dengan circuit breaker statis yang diuji.