{"id":27583,"date":"2025-02-28T19:44:14","date_gmt":"2025-02-28T18:44:14","guid":{"rendered":"https:\/\/blog.mi.hdm-stuttgart.de\/?p=27583"},"modified":"2025-02-28T19:44:17","modified_gmt":"2025-02-28T18:44:17","slug":"einsatz-von-kunstlicher-intelligenz-zur-automatischen-skalierung-von-kubernetes-clustern","status":"publish","type":"post","link":"https:\/\/blog.mi.hdm-stuttgart.de\/index.php\/2025\/02\/28\/einsatz-von-kunstlicher-intelligenz-zur-automatischen-skalierung-von-kubernetes-clustern\/","title":{"rendered":"Einsatz von K\u00fcnstlicher Intelligenz zur automatischen Skalierung von Kubernetes-Clustern"},"content":{"rendered":"\n

Anmerkung:<\/strong> Dieser Blogpost wurde f\u00fcr das Modul Enterprise IT (113601a) verfasst.
Aus Gr\u00fcnden der besseren Lesbarkeit wird in dieser Arbeit auf eine geschlechtsneutrale Differenzierung verzichtet. S\u00e4mtliche Personenbezeichnungen gelten gleicherma\u00dfen f\u00fcr alle Geschlechter.<\/em><\/p>\n\n\n\n

Kurzfassung <\/h2>\n\n\n\n

Die Branche der fortschreitenden Cloud Digitalisierung und die steigenden Anforderungen an hochverf\u00fcgbaren, skalierbaren Anwendungen haben Kubernetes zu einer der f\u00fchrenden Container-Orchestratoren gemacht. Eines der zentralen Aspekte dieser Cloud-Umgebungen ist die automatische Skalierung von Clustern, um sich an den st\u00e4ndig \u00e4ndernden Intensit\u00e4ten der Ressourcensnachfragen anzupassen indem sichergestellt wird, dass Ressourcen effizient genutzt werden und somit letztendlich auch die Betriebskosten optimiert werden. Diese automatische Skalierungsfunktion l\u00e4sst sich traditionell mit einem einfachen Parametersatz anpassen, dieser arbeitet aber auf statischen Regeln oder einfachen Heuristiken, die h\u00e4ufig nicht optimal auf dynamische schwankenden Webanfragen reagieren k\u00f6nnen. Die wachsende technologische Entwicklung im Bereich der K\u00fcnstliche Intelligenz (KI) er\u00f6ffnet neue M\u00f6glichkeiten zur Optimierung von Auto-Scaling-Strategien, die auf die tats\u00e4chliche Variabilit\u00e4t eingehender Anfragen eingeht und zuk\u00fcnftige Anforderungen vorhersagen und seine Skalierungsstrategien adaptiv und in Echtzeit implementieren kann.\u00a0 Dadurch lassen sich grundlegend konkurrierende Mechanismen entwickeln, die sowohl durch ihre Effizienz als auch durch ihre Reaktionsgeschwindigkeit verlorene Anfragen deutlich reduzieren.<\/p>\n\n\n\n

Einleitung<\/h2>\n\n\n\n

Kubernetes ist derzeit eines der beliebtesten Open-Source-Orchestrierungssystemen zu Verwaltung von containisierter Anwendungen, die von Dienstanbietern verwendet werden. Es bietet mitunter in Bezug auf Bereitstellung, Skalierung und Verwaltung den vollst\u00e4ndigen Lebenszyklus von Anwedungskomponenten. Einer der wichtigsten Funktionen, um die Bereitstellung containerisierter Anwendungen auf dynamische Benutzerauslastungen zu gew\u00e4hrleisten ist die automatische Skalierung.[1]<\/a>  <\/p>\n\n\n\n

Die Auswahl der richtigen Skalierungsstrategie h\u00e4ngt unter anderem von der Art der Anwendung ab, weshalb wir in diesem Abschnitt erstmal die Anwendungsarchitekturen betrachten. Traditionell wurden viele Anwendungen in einer monolithischen Architektur entwickelt. Hierbei sind alle oder die meisten Komponenten und Funktionen in einer einzigen, engverbundenen Codebasis enthalten[2]<\/a>. Diese werden in der Regel in einem einzigen Kubernetes-Container bereitgestellt, was zwar die initiale Entwicklung erleichtert, jedoch in Bezug auf Skalierbarkeit und Wartung oft die erneute Bereitstellung der gesamten Anwendung erfordert. Microservice-basierte Anwendungen hingegen bestehen aus mehreren eigenst\u00e4ndigen Diensten, die miteinander interagieren und daher zunehmend eingesetzt werden, um den Herausforderungen der monolithischen Architektur zu begegnen. Hierbei wird die Anwendung in Services unterteilt, die unabh\u00e4ngig voneinander einsatzf\u00e4hig und skalierbar sind. Autoskalierungsansetze m\u00fcssen hier allerdings die Abh\u00e4ngigkeiten zwischen den Diensten ber\u00fccksichtigen.[3]<\/a> <\/p>\n\n\n\n

Eine bew\u00e4hrte Methode zur Skalierung von Anwendungen ist das Scale Cube Modell, das drei verschiedene Skalierungsans\u00e4tze definiert.<\/p>\n\n\n\n

\"\"<\/a><\/figure>\n\n\n\n

Abbildung 1: Das Scale Cube Modell zur Software-Architektur.<\/p>\n\n\n\n