Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales

Autores
Anunziata, Daniel; Corti, Emilio
Año de publicación
2025
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
En esta línea de investigación, se realiza un análisis comparativo de diversos modelos predictivos para la tasa de solicitudes por segundo HTTP, con el objetivo de optimizar las decisiones de escalado proactivo en entornos Kubernetes. Se evalúan modelos individuales como Prophet y LSTM, así como híbridos (Prophet-LSTM, Prophet-GRU y ARIMA-LSTM) diseñados para capturar tanto la estacionalidad como las dependencias temporales presentes en las cargas de trabajo. La evaluación se lleva a cabo utilizando conjuntos de datos reales, como los logs de acceso web de una Copa Mundial y de la NASA, considerando métricas de rendimiento y el tiempo de entrenamiento y predicción. Los resultados preliminares sugieren que los modelos híbridos tienen el potencial de mejorar significativamente la precisión y eficiencia del autoescalado proactivo en comparación con los modelos individuales.
Red de Universidades con Carreras en Informática
Materia
Ciencias Informáticas
Kubernetes
autoescalado proactivo
machine learning
Series temporales
Optimización
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/183494
Acceder
id SEDICI_9d352a93608d0a2d644f240ad02109cc
oai_identifier_str oai:sedici.unlp.edu.ar:10915/183494
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporalesAnunziata, DanielCorti, EmilioCiencias InformáticasKubernetesautoescalado proactivomachine learningSeries temporalesOptimizaciónEn esta línea de investigación, se realiza un análisis comparativo de diversos modelos predictivos para la tasa de solicitudes por segundo HTTP, con el objetivo de optimizar las decisiones de escalado proactivo en entornos Kubernetes. Se evalúan modelos individuales como Prophet y LSTM, así como híbridos (Prophet-LSTM, Prophet-GRU y ARIMA-LSTM) diseñados para capturar tanto la estacionalidad como las dependencias temporales presentes en las cargas de trabajo. La evaluación se lleva a cabo utilizando conjuntos de datos reales, como los logs de acceso web de una Copa Mundial y de la NASA, considerando métricas de rendimiento y el tiempo de entrenamiento y predicción. Los resultados preliminares sugieren que los modelos híbridos tienen el potencial de mejorar significativamente la precisión y eficiencia del autoescalado proactivo en comparación con los modelos individuales.Red de Universidades con Carreras en Informática2025-04info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdf153-155http://sedici.unlp.edu.ar/handle/10915/183494spainfo:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261info:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-03-31T12:38:59Zoai:sedici.unlp.edu.ar:10915/183494Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-03-31 12:38:59.745SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
title Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
spellingShingle Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
Anunziata, Daniel
Ciencias Informáticas
Kubernetes
autoescalado proactivo
machine learning
Series temporales
Optimización
title_short Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
title_full Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
title_fullStr Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
title_full_unstemmed Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
title_sort Predicción de solicitudes por segundo HTTP para escalado proactivo de kubernetes: un enfoque basado en machine learning y series temporales
dc.creator.none.fl_str_mv Anunziata, Daniel
Corti, Emilio
author Anunziata, Daniel
author_facet Anunziata, Daniel
Corti, Emilio
author_role author
author2 Corti, Emilio
author2_role author
dc.subject.none.fl_str_mv Ciencias Informáticas
Kubernetes
autoescalado proactivo
machine learning
Series temporales
Optimización
topic Ciencias Informáticas
Kubernetes
autoescalado proactivo
machine learning
Series temporales
Optimización
dc.description.none.fl_txt_mv En esta línea de investigación, se realiza un análisis comparativo de diversos modelos predictivos para la tasa de solicitudes por segundo HTTP, con el objetivo de optimizar las decisiones de escalado proactivo en entornos Kubernetes. Se evalúan modelos individuales como Prophet y LSTM, así como híbridos (Prophet-LSTM, Prophet-GRU y ARIMA-LSTM) diseñados para capturar tanto la estacionalidad como las dependencias temporales presentes en las cargas de trabajo. La evaluación se lleva a cabo utilizando conjuntos de datos reales, como los logs de acceso web de una Copa Mundial y de la NASA, considerando métricas de rendimiento y el tiempo de entrenamiento y predicción. Los resultados preliminares sugieren que los modelos híbridos tienen el potencial de mejorar significativamente la precisión y eficiencia del autoescalado proactivo en comparación con los modelos individuales.
Red de Universidades con Carreras en Informática
description En esta línea de investigación, se realiza un análisis comparativo de diversos modelos predictivos para la tasa de solicitudes por segundo HTTP, con el objetivo de optimizar las decisiones de escalado proactivo en entornos Kubernetes. Se evalúan modelos individuales como Prophet y LSTM, así como híbridos (Prophet-LSTM, Prophet-GRU y ARIMA-LSTM) diseñados para capturar tanto la estacionalidad como las dependencias temporales presentes en las cargas de trabajo. La evaluación se lleva a cabo utilizando conjuntos de datos reales, como los logs de acceso web de una Copa Mundial y de la NASA, considerando métricas de rendimiento y el tiempo de entrenamiento y predicción. Los resultados preliminares sugieren que los modelos híbridos tienen el potencial de mejorar significativamente la precisión y eficiencia del autoescalado proactivo en comparación con los modelos individuales.
publishDate 2025
dc.date.none.fl_str_mv 2025-04
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/183494
url http://sedici.unlp.edu.ar/handle/10915/183494
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv info:eu-repo/semantics/altIdentifier/isbn/978-987-575-267-2
info:eu-repo/semantics/reference/url/https://sedici.unlp.edu.ar/handle/10915/182261
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
153-155
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1861199732923170816
score 13.332987

Publicaciones similares