Kubernetes bölmelerinde kaynak tahsisinin yapay zekâ destekli optimizasyonu
AI based optimization of resource allocation in Kubernetes pods
- Tez No: 995602
- Danışmanlar: DOÇ. DR. AHMET GÜRKAN YÜKSEK
- Tez Türü: Yüksek Lisans
- Konular: Bilim ve Teknoloji, Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Science and Technology, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Bulut bilişim, Derin öğrenme, Mimari yazılımlar, Yapay zeka, Yapay zeka ve makine öğrenmesi dersi, Cloud computing, Deep learning, Architectural softwares, Artificial intelligence, Artificial intelligence and machine learning course
- Yıl: 2026
- Dil: Türkçe
- Üniversite: Sivas Cumhuriyet Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Yaygın olarak kullanılan monolitik sistemler, iş süreçlerinin tek bir kod tabanında toplandığı, karmaşık uygulamalar olmasına rağmen günümüzde kullanımına devam edilmektedir. Bununla beraber, basit olarak gözüken birbirine bağlı iş sistemlerindeki bir aksaklık tüm sistemi etkilemektedir. Bu sebeplerle işletmelerde monolitik sistemlerden mikroservis mimarisine geçişler oldukça yoğun ilgi görmektedir. Mikro hizmet mimarisi, uygulamaların veya iş süreçlerinin küçük, bağımsız hizmetler haline dönüştürülmesini sağlayarak dağıtımın kolaylaştırılmasını sağlayarak iş süreçlerinin geliştirilmesinde modülerlik ve ölçeklenebilirlik gibi önemli katkılar sunmaktadır. Katkılarla birlikte hem monolitik hem de mikroservis mimarisi için kritik bir konu olan, ölçeklendirme konusu da son derece ilgi gören bir konu haline gelmiştir. Bu tez çalışmasında, kubernetes tabanlı, mikroservis mimarisiyle çalışan bir sistemde, hizmetlerin bellek, cpu kullanımına ve çeşitli metriklere göre kubernetes bölmelerine kaynak tahsisinin yapay zekâ destekli optimizasyonu ile yatayda otomatik olarak ölçekleyen bir mimari önerilmektedir. Bu önermeyle birlikte gereksiz kaynak kullanımının önüne geçilmesi amaçlanmaktadır. Çalışmada bu amaç kapsamında, sistem tasarımında farklı metrik izleme yöntemleri kullanılarak sistemin kaynaklarının izlenip, dinamik yöntemlerle yönetilmesi üzerine, makine ve derin öğrenme tabanlı yöntemler ile devamlı entegrasyon modelleri incelenmiştir. Sonuç olarak bir mikro servisin bellek ve cpu kullanımları hem eş zamansız hem de eşzamanlı olarak jenkins devamlı entegrasyon aracı kullanılarak versiyon bazında ölçümleri ile birlikte altyapı, veri yapısı, kod kalitesi metrikleri ile kaynak kullanımını tahmin eden Bi-LSTM algoritması kapsamında Birleşik Gözlemlenebilirlik Metrik Füzyonu ve Tensörleştirme Mimarisi (UOMFTA) önerilmiştir. Önerilen mimari ile yakın gelecekteki kaynak limitasyonlarını belirlemenin mümkün olduğu görülmüştür.
Özet (Çeviri)
Although monolithic systems consolidate all business processes into a single codebase, they remain widely used. However, disruptions in these seemingly manageable, interconnected systems affect the entire operation. Consequently, transitioning to microservice architecture is attracting significant enterprise attention. Microservices facilitate deployment and management by transforming processes into small, independent services, while offering modularity, flexibility, and scalability. Nevertheless, managing scalability remains a critical challenge for both architectures. This thesis proposes a Kubernetes-based architecture that performs automatic horizontal scaling via AI-supported resource optimization. The system allocates resources to Kubernetes pods based on service memory, CPU usage, and various metrics. The objective is to prevent unnecessary resource consumption by dynamically determining resource requests and limits for automatic optimization. While default pod resource assignments are manual, factors like code updates and sudden request spikes diminish application reliability and stability over time. Within this context, machine and deep learning-based methods and continuous integration models were examined to monitor and dynamically manage system resources via various metrics and scheduler mechanisms. Consequently, the Unified Observability Metric Fusion and Tensorization Architecture (UOMFTA) is proposed using a Bidirectional Long Short-Term Memory (Bi-LSTM) algorithm. This architecture predicts resource usage by utilizing infrastructure, data structure, and code quality metrics, alongside version-based memory and CPU measurements of RabbitMQ consumers, obtained both asynchronously and synchronously via Jenkins. Finally, it has been observed that the proposed architecture makes it possible to determine near-future resource limitations.
Benzer Tezler
- Towards the mıtıgatıon of dıstrıbuted denıal-of-servıce attacks ın kubernetes-managed contaınerızed edge networks
Kubernetes yönetimindeki konteynerleştirilmiş edge ağlarında dağıtılmış hizmet dışı bırakma (DDoS) saldırılarının azaltılmasına doğru
SARP KÖKSAL
Doktora
İngilizce
2025
Elektrik ve Elektronik MühendisliğiAtılım ÜniversitesiElektrik-Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. YASER DALVEREN
DOÇ. DR. FERHAT ÖZGÜR ÇATAK
- AI agents for kubernetes incident remediation: Evaluating the reflexion framework
Yapay zeka ile kubernetes ortamında hata giderme: Reflexion çerçevesinin değerlendirilmesi
MUSTAFA MERT SÜERKAN
Yüksek Lisans
İngilizce
2026
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolTed ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ EMİN KUĞU
DR. ÖĞR. ÜYESİ HAKAN EMEKCİ
- 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
CANBERK DUMAN
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKocaeli ÜniversitesiBilişim Sistemleri Mühendisliği Ana Bilim Dalı
DOÇ. DR. SÜLEYMAN EKEN
- Makine öğrenmesi sistemlerinin yönetimi ve dağıtımı için bir platform: Kubernetes
A platform for management and distribution of machine learning systems: Kubernetes
HASAN ÜNVER
Yüksek Lisans
Türkçe
2023
Elektrik ve Elektronik MühendisliğiYıldız Teknik ÜniversitesiElektronik ve Haberleşme Mühendisliği Ana Bilim Dalı
DOÇ. DR. SADİYE NERGİS TURAL POLAT
- Efficient scaling with machine learning on cloud environment
Bulut ortamında makine öğrenimi ile verimli ölçeklendirme
ANIL KUŞÇU
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolÇukurova ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
PROF. DR. MEHMET FATİH AKAY