Графова оптимізація ресурсів з урахуванням залежностей між мікросервісами: огляд алгоритмів та підходів

Анотація

Сучасні хмарні системи, побудовані на мікросервісній архітектурі, створюють фундаментальну проблему оптимізації ресурсів: окремі сервіси не є незалежними, а утворюють складні мережі залежностей, де рішення щодо масштабування, розміщення та ємності одного сервісу безпосередньо впливають на продуктивність і споживання ресурсів іншими. У цій статті представлено комплексний огляд алгоритмів та підходів теорії графів, застосовних до оптимізації ресурсів з урахуванням залежностей у мікросервісних системах. Систему мікросервісів формалізовано як зважений орієнтований граф, у якому вершини відповідають сервісам та інфраструктурним компонентам, ребра – викликам сервісів і потокам даних, а ваги відповідають метрикам: частоті запитів, латентності, частоті повторних спроб та витратам на мережу. Систематично проаналізовано одинадцять категорій графових алгоритмів - включно з топологічним сортуванням, методом критичного шляху, мережевим потоком, алгоритмами найкоротшого шляху, метриками центральності (betweenness, PageRank), виявленням спільнот (Louvain), секціонуванням графів (бібліотека METIS), мінімальними кістяковими деревами, розфарбуванням графів, плануванням у направлених ациклічних графах (гетерогенний найкращий час закінчення) та виявленням сильно зв'язних компонент – з оцінкою часової та просторової складності, масштабованості й застосовності до задач оптимізації ресурсів мікросервісів. Представлено модель розповсюдження навантаження на основі обернення матриці суміжності з обговоренням умов збіжності для циклічних графів залежностей. Крім того, розглянуто сучасні підходи на основі графових нейронних мереж у поєднанні з навчанням з підкріпленням для адаптивного автомасштабування, зокрема системи Графові мережі з урахуванням механізму уваги та злиття даних, техніка оцінки та аналізу проєкту - графова нейронна мережа, DeepScaler та HGraphScale, які демонструють покращення: до двадцяти процентів економії обчислювальних потужностей (Графові мережі з урахуванням механізму уваги та злиття даних), до сорока відсотків зменшення порушень гарантій рівня сервісу (DeepScaler) та до восьмидесяті відсотків зменшення часу відповіді (HGraphScale) порівняно з традиційними підходами. Порівняльний аналіз виявляє, що поєднання класичних графових алгоритмів для структурного аналізу з методами на основі графових нейронних мереж для динамічної адаптації є найперспективнішим напрямком для виробничої оптимізації ресурсів з урахуванням залежностей.