TỰ ĐỘNG CO GIÃN TÀI NGUYÊN CHO KIẾN TRÚC MICROSERVICES DỰA TRÊN PHẢN ỨNG ĐA CHIỀU
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 | Lê Huỳnh Như |
| 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, việc duy trì tính khả dụng của kiến trúc Microservices trước các biến động lưu lượng truy cập là một thách thức lớn [5]. Cơ chế tự động co giãn mặc định của Kubernetes (Horizontal Pod Autoscaler - HPA) thường gặp độ trễ do phụ thuộc vào các chỉ số phần cứng mang tính hệ quả (CPU, Memory) và đòi hỏi cấu hình phức tạp để giám sát các chỉ số cấp ứng dụng [1], [2]. Nhằm giải quyết vấn đề này, đề tài "Tự động co giãn tài nguyên cho kiến trúc Microservices dựa trên phản ứng đa chiều" được đề xuất và thực hiện. Nghiên cứu tiến hành triển khai KEDA (Kubernetes Event-driven Autoscaling) trên ứng dụng mẫu Online Boutique, tích hợp Istio Service Mesh để trích xuất các chỉ số tầng mạng (L7 Metrics), đồng thời sử dụng Prometheus và Grafana để giám sát theo thời gian thực. Đóng góp chính của đề tài là việc khắc phục hạn chế của cơ chế co giãn đơn chiều thông qua chiến lược phản ứng đa chiều, tích hợp đồng thời bốn chỉ số kích hoạt (trigger) bao gồm: RPS (Requests Per Second), CPU, Memory và tỷ lệ lỗi trên hai dịch vụ Frontend và Product Catalog. Sự kết hợp này, cùng thuật toán cân bằng tải Least Request của Istio, giúp hệ thống phân bổ lưu lượng tối ưu, đưa ra quyết định cấp phát tài nguyên chính xác và thích ứng an toàn trước các biến động tải. Quá trình đánh giá hiệu năng thông qua công cụ sinh tải Locust cho thấy mô hình phản ứng đa chiều giúp hệ thống tối ưu hóa thông lượng xử lý và thời gian phản hồi một cách hiệu quả [7], [8]. So với HPA truyền thống, KEDA thể hiện khả năng phản ứng nhanh nhạy vượt trội. Nhờ độ nhạy của chỉ số RPS, hệ thống có thể giảm thiểu đáng kể ảnh hưởng từ độ trễ khởi động Pod thông qua việc cấp phát tài nguyên ngay từ giai đoạn đầu của biến động tải. Đặc biệt, việc xác định RPS là chỉ số mang trọng số đóng góp cao nhất đã tạo tiền đề quan trọng cho hướng nghiên cứu huấn luyện mô hình dự đoán (Predictive Scaling), tiến tới khả năng cấp phát tài nguyên chủ động hoàn toàn [4]. In the cloud computing landscape, maintaining the high availability of microservice architectures against volatile traffic variations remains a critical challenge [5]. The default Horizontal Pod Autoscaler (HPA) in Kubernetes often exhibits response delays due to its reliance on lagging hardware metrics (CPU, Memory) and demands intricate configurations to monitor application-level metrics [1], [2]. To address this limitation, this thesis proposes and implements a comprehensive framework titled "Automated Resource Scaling for Microservices Architecture Based on Multi-Dimensional Response". The research deploys KEDA (Kubernetes Event-driven Autoscaling) on the Online Boutique benchmark application, integrating Istio Service Mesh to extract Layer-7 (L7) network metrics and utilizing Prometheus and Grafana for real-time observability. The primary contribution of this study lies in resolving the constraints of single-dimensional scaling through a multi-dimensional reactive strategy, integrating four concurrent triggers: Requests Per Second (RPS), CPU, Memory, and Error Rate across the Frontend and Product Catalog services. This multi-metric synergy, combined with Istio's Least Request load balancing algorithm, optimizes traffic distribution, ensures precise resource provisioning decisions, and safeguards system stability during sudden traffic surges. Performance engineering evaluations utilizing the synthetic workload generator Locust demonstrate that the multi-dimensional framework effectively optimizes system throughput and minimizes request latency [7], [8]. Compared to the traditional HPA, KEDA exhibits superior responsiveness. Leveraging the high sensitivity of the RPS metric, the system substantially mitigates the impact of Pod cold-start latency by scaling resources at the earliest stage of workload fluctuations. Furthermore, identifying RPS as the primary contributing metric establishes a foundational baseline for future research into training predictive scaling models, paving the way toward fully proact
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 HỆ THỐNG PHẢN ÁNH TRỰC TUYẾN (PHÂN HỆ: ZALO)
- XÂY DỰNG HỆ THỐNG CHỨNG THỰC BẰNG CẤP CỦA TRƯỜNG ĐẠI HỌC SỬ DỤNG CÔNG NGHỆ BLOCKCHAIN VỚI NỀN TẢNG ETHEREUM
- XÂY DỰNG HỆ THỐNG TƯỚI TỰ ĐỘNG DỰA TRÊN NỀN TẢNG IOT VÀ LẬP TRÌNH NHÚNG (phân hệ dịch vụ web trên nền giao thức MQTT và MongoDB)
- NGHIÊN CỨU THỰC HIỆN KIỂM THỬ TỰ ĐỘNG ỨNG DỤNG WEB VỚI ROBOT FRAMEWORK
- XÂY DỰNG WEBSITE TÌM KIẾM PHÒNG TRỌ
- XÂY DỰNG HỆ THỐNG TRUY VẤN THÔNG TIN CÂY THUỐC NAM TẠI VIỆT NAM
- XÂY DỰNG ỨNG DỤNG VẬN CHUYỂN ĐA DỊCH VỤ - PHÂN HỆ MOBILE
- NGHIÊN CỨU MÔ HÌNH PHÁT HIỆN RANSOMEWARE DỰA TRÊN BỘ DỮ LIỆU RANSAP - MODULE 2
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.