Replication Package for "Predictive Autoscaling in Kubernetes via Machine Learning Time Series Forecasting"

Note: Links do not work in Zenodo but only from the README.MD file when downloaded locally. Contents The repository contains the following: INSTALL: Thorough installation guide describing how to test the system and install necessary tools and components of the system. DATASETS: Contains all test datasets extracted from testing phase GroundTruth: Zero autoscaling enabled Baseline: Default Kubernetes Horizontal Pod Autoscaler enabled Intermediate Study: The proposed Autoscaler solution enabled agg_minute.csv: Training dataset used for training the models COMPONENTS: Contains the components and source code which constitute the solution Autoscaler: Backend and frontend for the solution Forecaster: Model training and prediction Workload: Workload generation for testing FIGURES: Contains all figures from the paper NB. Workload 0 defines the generated data which closely resembles the traning data, while workload 1 is the sinusoidally generated data. Paper figures: Ground Truth 10x10 workload 0 Ground Truth 10x10 workload 0 Baseline workload 0 Baseline workload 0 Autoscaler workload 0 Autoscaler workload 0 Architectural Diagram: Architectural diagram describing the proposed system Preprocessing pipeline: Preprossing pipeline flow Figures with startup-time infixed e.g intermediate-study-v2.2-startup-time-workload-0.pdf displays the extended tests using applications with longer startup times. MODELS: Contains all the baseline models and selected hyperparameters from tuning phase. The baseline models used are present in the p9 folder. RESULTS: Contains results from system tests extracted from datasets using scripts SCRIPTS: Contains scripts to generate figures plot_module.py: Reads csv, aggregates the input, formats figures and outputs to results in .svg, .png and .pdf format make_figures.py: Uses above module to iterate through files in --input_dir to create a plot for each input file. plot_training_data.py: Used to plot the training data figure from agg_minute.csv注意：本仓库在Zenodo平台上的链接无法正常访问，仅在本地下载后可通过README.MD文件获取有效链接。 目录 本仓库包含以下内容： ### 安装指南（INSTALL）：详细说明如何测试本系统并安装系统所需的工具与组件。 ### 数据集（DATASETS）：包含测试阶段提取的全部测试数据集 - 真实值（GroundTruth）：已启用零自动扩缩容（Zero autoscaling）的测试集 - 基线（Baseline）：已启用默认Kubernetes水平Pod自动扩缩容器（Horizontal Pod Autoscaler, HPA）的测试集 - 中间研究（Intermediate Study）：已启用本文提出的自动扩缩容解决方案的测试集 - agg_minute.csv：用于模型训练的训练数据集 ### 组件（COMPONENTS）：包含构成本解决方案的全部组件与源代码 - 自动扩缩容器（Autoscaler）：本解决方案的前后端代码 - 预测器（Forecaster）：模型训练与预测模块 - 工作负载生成器（Workload）：用于测试的工作负载生成模块 ### 图表（FIGURES）：包含论文中的全部图表 备注：工作负载0（Workload 0）为生成的与训练数据特征高度相似的数据集，而工作负载1（Workload 1）为正弦曲线生成的数据集。 #### 论文图表： - 真实值（Ground Truth）10×10 工作负载0 - 真实值10×10 工作负载0 - 基线方案（Baseline）工作负载0 - 基线方案工作负载0 - 本文自动扩缩容方案工作负载0 - 本文自动扩缩容方案工作负载0 - 架构图：阐述本文所提出系统的架构示意图 - 预处理流水线：预处理流程示意图 文件名中嵌入启动时间信息的图表（如intermediate-study-v2.2-startup-time-workload-0.pdf）展示了针对启动耗时更长的应用程序开展的扩展测试。 ### 模型库（MODELS）：包含全部基线模型与调优阶段筛选出的最优超参数。所用基线模型存储于p9文件夹中。 ### 结果集（RESULTS）：包含通过脚本从数据集中提取的系统测试结果。 ### 脚本集（SCRIPTS）：包含用于生成图表的脚本 - plot_module.py：读取CSV文件、聚合输入数据、格式化图表并输出.svg、.png及.pdf格式的结果文件 - make_figures.py：调用上述模块，遍历--input_dir指定目录下的文件，为每个输入文件生成对应图表 - plot_training_data.py：用于根据agg_minute.csv绘制训练数据图表