Abstract
В связи с динамическим развитием и растущей сложностью систем необходимо постоянно выполнять поиск новых методов управления сервисами в облачных вычислениях. Следовательно технологии контейнеризации помогают легко развертывать приложения, управлять и распределять ресурсы облачных провайдеров, тем самым масштабируя их, обеспечивать переносимость данных и изоляцию приложений и их зависимостей. Однако с ростом сложности инфраструктуры и данных возникают новые вызовы, такие как обеспечение непрерывной работы сервисов, оптимизации ресурсов, балансировки нагрузки, производительности систем. Для решения множеств проблем, возникающих в контексте развертывания и управления контейнерными приложениями, становится необходимым применение машинного обучения. Интеграция технологии контейнеризации и машинного обучения позволяет адаптироваться к изменяющимся условиям, оптимизировать использование ресурсов и обеспечивать непрерывную работу системы. В статье представлен обзор популярных методов машинного обучения и их применение в контексте контейнерных технологий, была представлена эталонная архитектура оркестровки контейнеров на основании машинного обучения и их эволюция, а также были исследованы контейнеры и оркестраторы, такие как Kubernetes, Docker, Prefect, Nomad, Red Hat OpenShift Service on AWS, Amazon Elastic Container Service (ECS), Google Kubernetes Engine, Azure Kubernetes Service. Методы машинного обучения могут быть использованы для прогнозирования потребления ресурсов, адаптации к потребностям, предсказания временных интервалов для управления кластерами контейнеров, а также для анализа поведения рабочей нагрузки на основании прошлых данных.