Problema
Los microservicios permiten escalar componentes de forma independiente, pero sus dependencias internas dificultan predecir el rendimiento global y tomar decisiones de elasticidad en tiempo real.
Enfoque
La propuesta combina modelos LQN, que capturan interacciones entre servicios, con GNNs capaces de aprender representaciones sobre grafos de aplicaciones.
Resultado esperado
Un predictor de rendimiento y un controlador de elasticidad que permitan adaptar recursos dinámicamente respetando requisitos de calidad de servicio.
Resumen
La computación en la nube y la computación de borde han transformado la forma en que se ejecutan servicios y aplicaciones. En este contexto, las arquitecturas basadas en microservicios permiten construir sistemas modulares, reutilizables y escalables, pero también introducen nuevos desafíos para la gestión eficiente de recursos.
El proyecto aborda el problema de la elasticidad en aplicaciones basadas en microservicios, es decir, la capacidad de adaptar de forma dinámica, autónoma y óptima los recursos asignados ante cargas de trabajo variables. Para ello se propone diseñar un controlador de elasticidad que integre un predictor de rendimiento basado en Redes Neuronales de Grafo y Redes de Colas por Niveles.