DRAM: A Deep Learning-Based Resource Allocation Model for Kubernetes Environment = DRAM: Kubernetes 환경을 위한 딥러닝 기반 자원 할당 모델

다국어 초록 (Multilingual Abstract)

Research on Kubernetes resource optimization has expanded rapidly as containerized systems grow in complexity. This study proposes a deep learning–based approach for optimizing container resource configurations in managed Kubernetes clusters. The method extracts historical CPU and memory usage metrics from containers within Pods and trains a combined CNN–LSTM model to capture complex temporal patterns in resource consumption. Using these patterns, the model predicts optimal CPU and memory requests and limits for the following seven days, enabling dynamic and workload-aware container configuration. We evaluate the approach on 13 production components representing diverse workload types, including deployment management services, stateful databases, and monitoring infrastructure. Experimental results show that the proposed model consistently outperforms heuristic, autoscaling, and metaheuristic optimization methods on the same clusters. Furthermore, it achieves statistically significant improvements in resource utilization. These findings demonstrate that the proposed deep learning approach is an effective solution for resource optimization in managed Kubernetes environments.

국문 초록 (Abstract)

컨테이너 기반 클라우드 환경의 복잡성이 늘어남에 따라 Kubernetes 상의 자원 최적화에 대한 연구가 확대되고 있다. 본 연구는 관리형 Kubernetes 클러스터에서 컨테이너 자원 구성을 자동화하고 효율화하기 위한 딥러닝 기반 최적화 기법을 제안한다. 제안 기법은 파드 단위의 CPU 및 메모리 사용 이력에 대한 시계열 데이터를 학습 데이터로 사용하여 CNN–LSTM 결합 모델을 구축한다. 이 모델은 시간에 따른 자원 소비량 패턴을 정교하게 파악한다. 학습된 모델은 파악된 패턴을 사용하여 향후 7 일에 대한 컨테이너별 자원 요청(request) 및 제한(limit) 값을 예측한다. 따라서 워크로드 변화에 따른 능동적이고 자동적인 자원 구성이 가능하다. 성능평가를 위해 제안 기법을 배포 관리, 상태 저장 데이터베이스, 모니터링 시스템 등 13 개의 실제 서비스에 대해 시험하였다. 실험 결과, 제안 기법이 동일 환경에서 휴리스틱 기반, 오토스케일링 기반, 메타휴리스틱 기반 기존 기법들에 비해 일관되게 우수한 최적화 성능을 보였다. 특히, 리소스 활용률 측면에서 통계적으로 유의미한 개선을 보여주었다. 이러한 결과는 제안 기법이 관리형 Kubernetes 환경에서 컨테이너 자원 최적화를 위한 효과적이고 실질적인 대안임을 입증한다.

목차 (Table of Contents)

• Chapter I 1
• Introduction 1
• 1 Motivation 1
• 2 Contribution 2
• 3 Thesis Organization 2
• Chapter II 4
• Background 4
• 1 Managed Kubernetes and its optimization 4
• 2 Operational and financial performance of a cluster 7
• 3 Metrics 8
• Chapter III 10
• Related Works 10
• Chapter IV 14
• Proposed Approach 14
• 1 Overview of the proposed approach 14
• 2 Data Collection 14
• 3 Preprocessing 18
• 4 CNN-LSTM model architecture 18
• 5 Hyperparameter tuning and model evaluation method 21
• 6 Forecast and recommendation 22
• Chapter V 24
• Experiments and Evaluation 24
• 1 Experiment setting 24
• 2 Heuristic method 28
• 3 Reactive Autoscaling method 33
• 4 Metaheuristic-based method 38
• 5 Deep learning-based method 44
• 6 Workload consistency verification 48
• Chapter VI 52
• Discussion and Limitation 52
• Chapter VII 58
• Conclusion 58
• Bibliography 59
• Acknowledgement 62
• Publication 63
• Conference 63