BEGIN:VCALENDAR VERSION:2.0 PRODID:-//TUC//Events//EN CALSCALE:GREGORIAN BEGIN:VTIMEZONE TZID:Europe/Athens TZNAME:EEST DTSTART:19700329T030000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=3 BEGIN:STANDARD TZOFFSETFROM:+0200 TZOFFSETTO:+0300 TZNAME:EET DTSTART:19701025T040000 RRULE:FREQ=YEARLY;BYDAY=-1SU;BYMONTH=10 END:STANDARD END:VTIMEZONE BEGIN:VEVENT CREATED:20260429T094852Z LAST-MODIFIED:20260429T094852Z DTSTAMP:20260520T123111Z UID:1779269471@tuc.gr SUMMARY:Παρουσίαση Διπλωματικής Εργασίας κ. Ανδρέα Λοπάτα - Σχολή ΗΜΜΥ LOCATION: DESCRIPTION:https://www.ece.tuc.gr/el/katalogos- ekdiloseon?tx_tucevents2_tuceventsdi splay%5Baction%5D=show&tx_tucevents2 _tuceventsdisplay%5Bcontroller%5D=Ev ent&tx_tucevents2_tuceventsdisplay%5 Bevent%5D=8386&cHash=d772a809f213c8c 664b3f86cb22077c8\nΠΟΛΥΤΕΧΝΕΙΟ ΚΡΗΤΗ Σ\n Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών\n Πρόγραμμα Π ροπτυχιακών Σπουδών\n ΠΑΡΟΥΣΙΑΣΗ ΔΙΠ ΛΩΜΑΤΙΚΗΣ ΕΡΓΑΣΙΑΣ\n Ανδρέα Λοπάτα\n με θέμα\n Αλγόριθμοι Ομαδοποίησης γ ια την Βέλτιστη Τοποθέτηση Μικροϋπηρ εσιών στο Kubernetes \n Clustering A lgorithms for Optimal Microservices Scheduling in Kubernetes\n Εξεταστικ ή Επιτροπή\n Καθηγητής Ευριπίδης Πετ ράκης (επιβλέπων)\n Καθηγητής Γεώργι ος Χαλκιαδάκης\n Αναπληρωτής Καθηγητ ής Βασίλειος Σαμολαδάς\n Περίληψη\n Η ευρεία υιοθέτηση της αρχιτεκτονική ς μικροϋπηρεσιών στις σύγχρονες εφαρ μογές έχει οδηγήσει σε σημαντικές πρ οκλήσεις όσον αφορά τη διαχείριση κα ι την ενορχήστρωση αυτών των υπηρεσι ών. Το Kubernetes, ένα εργαλείο για την ενορχήστρωση containerized εφαρμ ογών, έχει καταστεί μια δημοφιλής επ ιλογή για τη διαχείριση μικροϋπηρεσι ών. Ένα Kubernetes cluster αποτελείτ αι από Nodes (VMs) που μπορούν να πε ριέχουν ένα ή περισσότερα pods. Κάθε pod μπορεί να περιέχει μία ή περισσ ότερες μικροϋπηρεσίες.\n Για την τοπ οθέτηση αυτών των pods στα Nodes, το Kubernetes χρησιμοποιεί έναν defaul t scheduler που λαμβάνει αποφάσεις μ ε βάση τα αιτήματα και τα όρια πόρων . Αυτή η default στρατηγική τοποθέτη σης είναι στατική και δεν λαμβάνει υ πόψη τις αλλαγές στο workload, γεγον ός που μπορεί να οδηγήσει σε μη βέλτ ιστες τοποθετήσεις. Πολλές στρατηγικ ές τοποθέτησης έχουν προταθεί για τη βελτιστοποίηση της τοποθέτησης των pods στο cluster, ωστόσο οι περισσότ ερες είναι στατικές και δεν προσαρμό ζονται στις μεταβολές του workload, οδηγώντας σε λύσεις που ενδέχεται να μην είναι βέλτιστες.\n Στην παρούσα εργασία προτείνουμε μια δυναμική στ ρατηγική τοποθέτησης που χρησιμοποιε ί έναν incremental density-based clu stering algorithm, προκειμένου να εν ημερώνει δυναμικά την τοποθέτηση των μικροϋπηρεσιών σε απόκριση στις αλλ αγές του workload.\n Για την αξιολόγ ηση της απόδοσης της προτεινόμενης a daptive στρατηγικής, τη συγκρίνουμε με μια στατική στρατηγική τοποθέτηση ς που χρησιμοποιεί τον ίδιο density- based clustering algorithm, αλλά χωρ ίς προσαρμογή στις μεταβολές του wor kload. Χρησιμοποιούνται δύο benchmar k εφαρμογές, το Google Online Boutiq ue (eShop) και το iXen, οι οποίες αν απτύσσονται σε ένα πραγματικό Kubern etes cluster στο GCP.\n Τα πειραματι κά αποτελέσματα δείχνουν ότι η δυναμ ική προσέγγιση μειώνει σημαντικά το εξερχόμενο traffic και βελτιώνει τον χρόνο απόκρισης σε σύγκριση με τη σ τατική προσέγγιση. Επιπλέον, η δυναμ ική μέθοδος τοποθέτησης επιτυγχάνει χαμηλότερο χρόνο εκτέλεσης και μειωμ ένη χρήση CPU, οδηγώντας σε μικρότερ ο υπολογιστικό κόστος σε σχέση με τη ν επανεκτέλεση της στατικής μεθόδου, καθιστώντας την κατάλληλη για real- time δυναμική τοποθέτηση μικροϋπηρεσ ιών.\n Abstract \n The widespread ad option of microservices-based archit ecture in modern applications has le d to significant challenges in manag ing and orchestrating these services effectively. Kubernetes, a tool for orchestrating containerized applica tions, has become a popular choice f or managing microservices. A Kuberne tes cluster consists of Nodes(VMs) t hat can host one or more pods. Each pod can contain one or more microser vices.\n To allocate these pods on t he Nodes, Kubernetes uses a default scheduler that makes placement decis ions based on resource requests and limits. This default placement strat egy is a static one and does not tak e into account the workload changes so it can lead to suboptimal placeme nts. Many placement strategies have been proposed to optimize the placem ent of the pods in the cluster, but most of them are static and do not a dapt to changing workloads leading t o placements that may not be optimal .\n In our work we propose an adapti ve placement strategy that uses an i ncremental density-based clustering algorithm to update the placement of microservices in response to worklo ad changes.\n To evaluate the perfor mance of our adaptive placement stra tegy, we compare it with a static pl acement strategy that uses the same clustering density-based algorithm b ut does not adapt to workload change s. Two benchmarks applications are u sed, Google’s Online Boutique eShop and iXen, which are deployed on a re al Kubernetes cluster in GCP. Experi mental results demonstrate that the adaptive clustering approach signifi cantly reduces egress traffic and im proves response time compared to the static approach. Furthermore, the a daptive placement method achieves lo wer execution time and CPU utilizati on leading to lower overhead cost, c ompared to rerunning the static plac ement method, making it suitable for real-time adaptive microservice pla cement.\n STATUS:CONFIRMED ORGANIZER;RSVP=FALSE;CN=TUC;CUTYPE=TUC:mailto:webmaster@tuc.gr DTSTART:20260512T100000 DTEND:20260512T110000 TRANSP:OPAQUE CLASS:DEFAULT END:VEVENT END:VCALENDAR