20.500.12556/RUL-175363 Multi-objective workload scheduling framework for Kubernetes using neural algorithmic reasoning Večciljno ogrodje za razvrščanje bremen v okolju Kubernetes z nevronskim algoritmičnim sklepanjem Modern cloud native applications operate in increasingly complex, dynamic and distributed environments, where efficient workload scheduling is essential to ensure performance, cost efficiency, and compliance with operational constraints. This thesis presents a multi-objective scheduling framework for Kubernetes that combines a graph-based modeling and representation approach with neural algorithmic reasoning (NAR). By representing workloads and infrastructure as graphs, the framework captures dependencies, resource requirements, and constraints while enabling multi-layer observability. To design and evaluate the framework, existing Kubernetes simulation tools were analyzed, and a tailored environment was developed to test diverse scheduling strategies on semi-realistic datasets. Multiple neural models were implemented and trained, including variants with structured numerical inputs and text-conditioned encoder-decoder architectures, to assess the impact of multimodal supervision and modular training. Experimental results show that NAR-based models consistently outperform traditional rule-based schedulers, achieving significant reductions in constraint violations and scheduling costs while maintaining scalability with growing problem size. Text-conditioned models further improve efficiency and adherence to constraints, albeit with a considerable trade-off in assignment completeness. In general, the research demonstrates the effectiveness of integrating symbolic graph modeling with neural reasoning for adaptive and scalable workload scheduling in complex computing environments. The graph-based representation of infrastructure additionally improves transparency, offering a promising foundation for more intelligent orchestration of cloud and edge workloads. Sodobne oblačne aplikacije delujejo v vse bolj kompleksnih, dinamičnih in porazdeljenih okoljih, kjer je učinkovito razvrščanje bremen ključno za zagotavljanje zmogljivosti, stroškovne učinkovitosti in skladnosti z operativnimi omejitvami. V magistrskem delu je predstavljeno večciljno ogrodje za razvrščanje bremen v Kubernetesu, ki združuje grafno modeliranje in predstavitev z nevronskim algoritmičnim sklepanjem (NAR). S predstavitvijo bremen in infrastrukture v obliki grafov ogrodje zajema njihove odvisnosti, zahteve po virih in omejitve, hkrati pa omogoča večplastno vidljivost. Za zasnovo in ovrednotenje ogrodja so bila analizirana obstoječa simulacijska orodja za Kubernetes, nato pa razvito prilagojeno okolje za preizkušanje različnih strategij razvrščanja na polrealističnih podatkovnih nizih. V magistrskem delu je uvedenih in naučenih več nevronskih modelov, med drugim različice s strukturiranimi numeričnimi vhodi ter besedilno pogojenimi kodirno-dekodirnimi arhitekturami, s čimer je ocenjen vpliv večmodalnega nadzora in modularnega učenja. Eksperimentalni rezultati kažejo, da modeli, osnovani na NAR, dosledno presegajo tradicionalne razvrščevalnike, temelječe na pravilih, saj bistveno zmanjšujejo število kršitev omejitev in ceno razvrščanja, obenem pa ohranjajo skalabilnost pri večjih problemih. Besedilno pogojeni modeli dodatno izboljšajo učinkovitost in število upoštevanih omejitev, čeprav z precejšnjim kompromisom glede popolnosti razvrstitve. Raziskava na splošno potrjuje učinkovitost povezovanja simbolnega grafovnega modeliranja z nevronskim sklepanjem za prilagodljivo in razširljivo razvrščanje bremen v kompleksnih računalniških okoljih. Grafovna predstavitev infrastrukture dodatno povečuje preglednost, s čimer nudi obetavno osnovo za inteligentnejšo orkestracijo oblačnih in robnih bremen. Kubernetes workload scheduling neural algorithmic reasoning graph modeling multi-objective optimization edge-cloud computing Kubernetes razvrščanje bremen nevronsko algoritmično sklepanje grafovno modeliranje večciljna optimizacija robno-oblačno računalništvo true false false Angleški jezik Slovenski jezik Magistrsko delo/naloga 2025-10-24 13:00:01 2025-10-24 13:00:08 2025-12-10 03:42:50 0000-00-00 00:00:00 2025 0 0 0000-00-00 NiDoloceno NiDoloceno NiDoloceno 0000-00-00 0000-00-00 0000-00-00 37752 255938819 Gale_Timotej_-_Vecciljno_ogrodje_za_razvrscanje_bremen_v_okolju_Kubernetes_z_nevronskim_algoritm.pdf Gale_Timotej_-_Vecciljno_ogrodje_za_razvrscanje_bremen_v_okolju_Kubernetes_z_nevronskim_algoritm.pdf 1 F8E7DA59BF180B306F73D077F3DD291E f5ac6e99803e1c86c9024815dc5ef2f5be224d09052c2b4cfaadfd4ff3430123 51c55a7f-b0c8-11f0-9328-0050569b8976 https://repozitorij.uni-lj.si/Dokument.php?lang=slv&id=220855 Fakulteta za računalništvo in informatiko 0 0 0