АНАЛІЗ МЕТОДІВ ОПТИМІЗАЦІЇ РЕСУРСІВ МІКРОСЕРВІСНИХ ДОДАТКІВ У ХМАРНИХ СЕРЕДОВИЩАХ: СУЧАСНИЙ СТАН ТА ПЕРСПЕКТИВИ

АНАЛІЗ МЕТОДІВ ОПТИМІЗАЦІЇ РЕСУРСІВ МІКРОСЕРВІСНИХ ДОДАТКІВ У ХМАРНИХ СЕРЕДОВИЩАХ: СУЧАСНИЙ СТАН ТА ПЕРСПЕКТИВИ Анотація.Мікросервісна архітектура стала домінуючим підходом до розробки хмарних додатків завдяки своїй гнучкості, масштабованості та можливості незалежного розгортання компонентів.За даними звіту Dynatrace 2023 року, використання Kubernetes у виробничих середовищах продовжує зростати, що підкреслює актуальність автоматизації управління ресурсами.Однак динамічна природа навантаження мікросервісів створює значні виклики для ефективного управління ресурсами, оскільки традиційні підходи до виділення ресурсів не можуть адекватно адаптуватися до змінних умов експлуатації.У статті проведено систематичний аналіз наукової літератури за період 2021-2025 років, що охоплює 17 досліджень в галузі оптимізації ресурсів мікросервісних додатків.Встановлено чотири категорії методів оптимізації: статичні методи виділення ресурсів, динамічні методи на основі правил, методи на основі машинного навчання та гібридні підходи.Проаналізовано переваги та недоліки кожної категорії за критеріями адаптивності, складності реалізації, накладних витрат, точності прогнозування та швидкості реакції на зміни навантаження.Виявлено, що методи на основі машинного навчання дозволяють підвищити утилізацію ресурсів на 30-35% порівняно з традиційними thresholdbased підходами, досягаючи показників утилізації 80-90%.Експериментальні результати показують, що двонапрямлені рекурентні нейронні мережі забезпечують прогнозування навантаження у 530 разів швидше порівняно з традиційними статистичними моделями при збереженні високої точності.Гібридні підходи, що поєднують проактивне прогнозування на основі машинного навчання з реактивними механізмами, демонструють найкращі результати, зменшуючи порушення угод про рівень обслуговування на 36%.