Evaluación de técnicas de IA para implementar estrategias proactivas de auto-escalado de contenedores

Abstract

Este trabajo busca evaluar técnicas para optimizar el uso de recursos informáticos en la nube mediante auto-escalado. El auto-escalado puede ser reactivo (respondiendo a las necesidades cuando éstas se presentan) o proactivo (anticipándose a las demandas futuras). El estudio propone modelos basados en técnicas de inteligencia artificial para prever la creación de nuevas entidades de cómputo bajo condiciones variables de carga. Los datos para el entrenamiento de los modelos se recolectaron midiendo el uso de la CPU y la memoria RAM a través de servicios web. La metodología incluyó limpieza de datos, análisis de correlación para seleccionar características relevantes y la evaluación de varios modelos de aprendizaje automático supervisado y no supervisado. Los modelos supervisados incluyeron regresión logística, random forest y redes neuronales; Como estrategia no supervisada se exploró el algoritmo de clustering K-Means. Los resultados mostraron que el aprendizaje automático puede utilizarse para anticipar y optimizar la capacidad de los sistemas informáticos, brindando una gestión proactiva de recursos de acuerdo con el análisis de resultado de las métricas de evaluación de los modelos.