DỰ ĐOÁN VÀ CHỦ ĐỘNG CO GIÃN TÀI NGUYÊN TRONG ỨNG DỤNG MICROSERVICES
Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Nguyễn Thị Kim Ngọc |
| Người hướng dẫn | Nguyễn Hữu Vân Long |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2026 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
Trong bối cảnh điện toán đám mây hiện đại, việc duy trì cam kết chất lượng dịch vụ (Service Level Objective - SLO) về thời gian phản hồi cho kiến trúc Microservices là một thách thức lớn. Các cơ chế co giãn phản ứng (Reactive Autoscaling) truyền thống thường gặp hạn chế do sự chậm trễ trong quá trình đáp ứng, chỉ kích hoạt cấp phát tài nguyên sau khi hiện tượng quá tải đã xảy ra, dẫn đến tỷ lệ vi phạm SLO cao trong các đợt bùng nổ lưu lượng đột ngột. Để giải quyết hạn chế này, luận văn thực hiện đề tài "Dự đoán và chủ động co giãn tài nguyên trong ứng dụng Microservices", tập trung nghiên cứu, thiết kế và hiện thực hóa một hệ thống co giãn chủ động (Predictive Autoscaling) dựa trên các mô hình học máy (Machine Learning). Nghiên cứu tiến hành kiểm thử chịu tải thực tế trên dịch vụ Frontend của ứng dụng Online Boutique trong môi trường Kubernetes, kết hợp hệ sinh thái Istio, Prometheus và Grafana để thu thập dữ liệu. Đặc tính thời gian phản hồi của hệ thống được mô hình hóa thành công thông qua kỹ thuật khớp đường cong hàm mũ, làm cơ sở cho phương pháp mô phỏng dựa trên vết (Trace-driven Simulation) nhằm tạo tập dữ liệu huấn luyện quy mô lớn. Hệ thống co giãn đề xuất giải quyết bài toán thông qua hai giai đoạn: (1) Sử dụng mô hình hồi quy tuyến tính (Linear Regression) để dự báo lưu lượng yêu cầu chuỗi thời gian; (2) Áp dụng mô hình hồi quy đa thức (Polynomial Regression) để học chính sách ánh xạ số lượng bản sao (Replica/Pod) tối ưu dựa trên ngưỡng SLO. Kết quả thực nghiệm trên các kịch bản tải tăng dần tuyến tính, tải tuần hoàn và dữ liệu thực tế từ sự kiện World Cup đã minh chứng năng lực vượt trội của mô hình chủ động. So với chiến lược phản ứng truyền thống, hệ thống co giãn dự báo đã giảm thiểu đáng kể tỷ lệ vi phạm SLO và đảm bảo tài nguyên được chuẩn bị sẵn sàng trước các cú sốc lưu lượng yêu cầu, tối ưu hóa hiệu năng vận hành cho kiến trúc Microservices. Từ khóa: Microservices, Kubernetes, Predictive Autoscaling, Machine Learning, Trace-driven Simulation, Polynomial Regression, Workload Forecasting. In the context of modern cloud computing, maintaining Service Level Objective (SLO) commitments regarding response time for Microservices architectures remains a major challenge. Traditional reactive autoscaling mechanisms often suffer from delays, triggering resource allocation only after overload has already occurred, which leads to high SLO violation rates during sudden traffic surges. To address this limitation, this thesis investigates the topic of "Predicting and Proactively Scaling Resources in Microservices Applications," focusing on the research, design, and implementation of a Predictive Autoscaling system based on Machine Learning models. This research conducted practical load testing on the Frontend service of the Online Boutique application within a Kubernetes environment, integrating the Istio, Prometheus, and Grafana ecosystem for data collection. The system's response time characteristics were successfully modeled using exponential curve fitting, serving as the basis for a trace-driven simulation method to generate a large-scale training dataset. The proposed autoscaling system solves the problem through two main stages: (1) Utilizing a Linear Regression model to forecast time-series request workloads; (2) Applying a Polynomial Regression model to learn the optimal replica/pod mapping policy based on SLO thresholds. Experimental results across linear increasing load scenarios, periodic workloads, and real-world data from the World Cup event demonstrated the superior capabilities of the predictive model. Compared to traditional reactive strategies, the predictive autoscaling system significantly reduced the SLO violation rate and ensured that resources were pre-allocated ahead of request traffic shocks, thereby optimizing operational performance for Microservices architectures. Keywords: Microservices, Kubernetes, Predictive Autoscaling, Machine Learning, Trace-driven Simulation, Polynomial Regression, Workloa
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- XÂY DỰNG ỨNG DỤNG HỌC TIẾNG ANH CHO TRẺ EM TRÊN NỀN TẢNG DI ĐỘNG
- HỆ THỐNG QUẢN LÝ KINH DOANH XE GẮN MÁY
- HỆ THUỐNG GIÁM SÁT VÀ QUẢN LÝ NĂNG SUẤT CÂY LÚA
- XÂY DỰNG ỨNG DỤNG GHI NHẬN NHẬT KÝ TRỒNG XOÀI
- XÂY DỰNG MÔ HÌNH NHẬN DIỆN TỔN THƯƠNG VÕNG MẠC
- XÂY DỰNG WEBSITE KINH DOANH DỤNG CỤ CẦU LÔNG
- XÂY DỰNG WEBSITE BÁN THIẾT BỊ ĐIỆN TỬ TRÊN NỀN TẢNG LARAVEL FRAMEWORK
- XÂY DỰNG TRANG WEB GIẢI TRÍ ÂM NHẠC TRỰC TUYẾN BẰNG SPRING FRAMEWORK VÀ REACTJS
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.