Večagentno globoko spodbujevano učenje za avtomatsko skaliranje v oblačnih arhitekturahProdanov, Jovan (Avtor) Jurič, Branko Matjaž (Mentor) Hribar, Jernej (Komentor) KubernetesRobni-oblakAvtomatsko skaliranjeVečagentno globoko spodbujevano učenjeSkaliranje na mestuMikrostoritveSistemi, zasnovani z oblačno (angl. cloud-native) paradigmo, se zanašajo na elastičnost za dinamično prilagajanje virov glede na nepredvidljive obremenitve. Tradicionalni hevristični pristopi so pogosto nezadostni, ker ne morejo modelirati kompleksne dinamike obremenitev ali uskladiti razmerje med zmogljivostjo in izrabo virov. Namesto tega reagirajo šele po potrebi po replikaciji ali ponovnem zagonu kontejnerjev, kar lahko prekine neprekinjeno delovanje mikrostoritev v porazdeljenih okoljih. Ta omejitev je še izrazitejša v robno-oblačnih (angl. edge-cloud) okoljih, kjer heterogenost, spremenljivost omrežja in omejeni viri dodatno otežujejo nemoteno prilagajanje. Da bi premagali te izzive, predstavljamo MARLISE, ogrodje za natančno izvedeno prilagajanje mikrostoritev brez prekinitve. Razvito je bilo s tremi različicami algoritmov globokega spodbujevalnega učenja: Deep Q-Networks (DQN), Deterministic Policy Gradient (DDPG), in Proximal Policy Optimization (PPO). Vsako različico MARLISE smo ocenili in ugotovili, da zmanjšuje odzivne čase, izboljšuje učinkovitost uporabe virov, povečuje skalabilnost ter predstavlja obetavno rešitev za zagotavljanje elastičnosti virov v stanjskih (angl. stateful) mikrostoritvah v robno-oblačnih okoljih.20252025-10-20 10:00:18Magistrsko delo/naloga175168VisID: 37729COBISS_ID: 255582211sl