Büyük dil modeli entegrasyonu ile kubernetes üzerinde otomatik ölçeklendirme için iş-yükü deseni farkında bir çerçeve geliştirilmesi
Developing a workload pattern-aware framework for auto-scaling on kubernetes with large language model integration
- Tez No: 977386
- Danışmanlar: DOÇ. DR. SÜLEYMAN EKEN
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2025
- Dil: Türkçe
- Üniversite: Kocaeli Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilişim Sistemleri Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu araştırma, Kubernetes ortamlarında Tahmine Dayalı Yatay Pod Otomatik Ölçeklendirme (PHPA) için yenilikçi bir metodoloji sunmaktadır. Mevcut Yatay Pod Otomatik Ölçeklendiricisi (HPA), reaktif operasyonel paradigması nedeniyle optimal olmayan kaynak kullanımı ve performans sorunlarına yol açmaktadır. Bu çalışma, gelişmiş zaman serisi tahmin tekniklerini, hiperparametre optimizasyonunu ve Büyük Dil Modeli (LLM) tabanlı örüntü tanımayı birleştirerek proaktif kaynak öngörüsü sağlamayı amaçlamaktadır. Çalışma kapsamında altı temel iş yükü örüntüsü (mevsimsel, büyüyen, ani artış, açık/kapalı, kaotik, kademeli) içeren kapsamlı bir taksonomi oluşturulmuştur. Her örüntü türü için özel optimizasyon stratejileri geliştirilmiş ve 600 senaryoda 2 milyondan fazla veri noktası ile doğrulanmıştır. 7 farklı CPU optimize edilmiş tahmin modeli, gelişmiş optimizasyon metodolojileri ile sistematik olarak değerlendirilmiştir. Araştırmanın temel katkısı, LLM'ler aracılığıyla otomatikleştirilen örüntü tabanlı akıllı model seçimidir. Bu yaklaşım, tek model kullanımına kıyasla ortalama %37.4 tahmin doğruluğu iyileştirmesi sağlamaktadır. Geliştirilmiş LLM tabanlı örüntü tanıma çerçevesi, Gemini 2.5 Pro ile %96.7 doğruluk elde etmektedir. Çalışma, reaktiften tahmine dayalı otomatik ölçeklendirmeye geçiş için teorik ve pratik temeller sunarak, gelecekteki LLM entegreli Kubernetes operatörlerinin geliştirilmesine olanak tanımaktadır.
Özet (Çeviri)
This research presents an innovative methodology for Predictive Horizontal Pod Autoscaling (PHPA) in Kubernetes environments. The existing Horizontal Pod Autoscaler (HPA) suffers from suboptimal resource utilization and performance issues due to its reactive operational paradigm. This study aims to provide proactive resource forecasting by combining advanced time series prediction techniques, hyperparameter optimization, and Large Language Model (LLM) based pattern recognition. A comprehensive taxonomy encompassing six fundamental workload patterns (seasonal, growing, burst, on-off, chaotic, gradual) has been established within the scope of this study. Specialized optimization strategies have been developed for each pattern type and validated with over 2 million data points across 600 scenarios. 7 different CPU-optimized prediction models have been systematically evaluated with advanced optimization methodologies. The primary contribution of this research is intelligent pattern-based model selection automated through LLMs. This approach provides an average 37.4% improvement in prediction accuracy compared to single-model usage. The developed LLM-based pattern recognition framework achieves 96.7% accuracy with Gemini 2.5 Pro. The study provides theoretical and practical foundations for the transition from reactive to predictive autoscaling, enabling the development of future LLM-integrated Kubernetes operators.
Benzer Tezler
- LLM based code generation and code integration with multi agent systems
Büyük dil modeli tabanlı kod üretimi ve çoklu ajan sistemleri ile kod entegrasyonu
YASİN BÜZGÜLÜ
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Medipol ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. SELİM AKYOKUŞ
DR. SALİH SARP
- Mobil uygulama ile derin öğrenme tabanlı nesne tespiti ve büyük dil modeli ile ifade üretme
Deep learning-based object detection with mobile application and expression generation using a large language model
NURCİHAN DERE
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolMarmara ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. KAZIM YILDIZ
DOÇ. DR. ÖNDER DEMİR
- Yapay zekâ büyük dil modellerinin öğretim yönetim sistemlerine entegrasyonu ve yönetimi
Integration and management of artificial intelligence large language models into learning management systems
SERKAN ŞAHİN
Doktora
Türkçe
2025
Yönetim Bilişim SistemleriAtatürk ÜniversitesiYönetim Bilişim Sistemleri Ana Bilim Dalı
PROF. DR. UĞUR YAVUZ
- Büyük dil modeli tabanlı üniversite sanal asistanı geliştirilmesi
Development of a university assistant based on large language model
FADİME ZELİHA SEYHAN
Yüksek Lisans
Türkçe
2025
Elektrik ve Elektronik MühendisliğiSakarya Uygulamalı Bilimler ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. ALİ FURKAN KAMANLI
- Otoimmün hepatitte antinükleer antikor durumunun öngörülmesi için çok-modlu makine öğrenimi: Laboratuvar değerleri ile patoloji raporlarının doğal dil işleme entegrasyonu
Multi-modal machine learning for predicting antinuclear antibody status in autoimmune hepatitis: Integrating natural language processing of laboratory values and pathology reports
YUSUF ÜSAME DURMUŞ
Tıpta Uzmanlık
Türkçe
2026
İç HastalıklarıSağlık Bilimleri Üniversitesiİç Hastalıkları Ana Bilim Dalı
PROF. DR. TAYYİBE SALER
DOÇ. DR. CEM ŞİMŞEK