รายละเอียดโครงงาน

หลักสูตร/ปี พ.ศ.
วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2566

ภาคและปีการศึกษาที่สำเร็จการศึกษา
ภาคปลาย ปีการศึกษา 2565

ประเภทโครงงาน
โครงงานวิศวกรรม

ชื่อโครงงานภาษาไทย
ระบบสเกลขนาดแบบอัตโนมัติในการแสดงผลกระแสข้อมูลในคลัสเตอร์ Kubernetes

ชื่อโครงงานภาษาอังกฤษ
Autoscaling Data Streaming Visualize Microservice on Kubernetes Clusters

ผู้พัฒนา
6210503691 นายปพนธ์ ชุณหคล้าย

อาจารย์ที่ปรึกษาหลัก
จันทนา จันทราพรชัย

อาจารย์ที่ปรึกษาร่วม
-

บทคัดย่อ

โครงงานนี้เป็นการวัดผลเปรียบเทียบระบบสเกลขนาดแบบอัตโนมัติในการแสดงผลกระแสข้อมูลในคลัสเตอร์ Kubernetes ระหว่างการสเกลขนาดแกนแนวตั้ง และ การสเกลขนาดแกนแนวนอน โดยเป้าหมายของ โครงงานนี้คือเพื่อต้องการวัดผลประสิทธิภาพการทำงานและการใช้งานทรัพยากรของระบบการแสดงผลกระแสข้อมูลในคลัสเตอร์ Kubernetes โดยทดสอบปริมาณโหลดผ่านการใช้ Apache JMeter วัดค่า CPU utilization , response time , Throughput , Error Rate โดยโครงงานนี้ได้ทำการวัดผลออกมาได้ว่าพบว่า ค่าเฉลี่ย CPU Utilization ของ การสเกลขนาดแกนแนวนอนใช้ทรัพยากร CPU เยอะกว่าระบบที่ไม่ได้ใช้การสเกลถึง 18.48% และการสเกลขนาดแกนแนวตั้ง ใช้ทรัพยากร CPU น้อยกว่า ระบบที่ไม่ได้ใช้การสเกล ถึง 49.45% และพบว่า ค่าเฉลี่ย Response Time ของ การสเกลขนาดแกนแนวนอน ใช้เวลาน้อยกว่ากว่าระบบที่ไม่ได้ใช้การสเกลถึง 65.60% และการสเกลขนาดแกนแนวตั้ง ใช้เวลาน้อยกว่ากว่าระบบที่ไม่ได้ใช้การสเกลเพียง 1.19% ในขณะที่ค่า Error rate ของ การสเกลขนาดแกนแนวนอน อยู่ที่ 0.04% แต่ค่า Error rate ของการสเกลขนาดแกนแนวตั้ง กลับมีค่าสูงถึง 15.16%

Abstract

This paper is aimed to study the performance comparison of two autoscaling approaches against data streaming and visualization applications under Kubernetes clusters.
In particular, vertical and horizontal scaling methods are focused. The experimental setup has been done extensively based on the architecture stack which includes Apache Kafka, Apache Spark, Filebeat, Logstash, Elasticsearch, Kibana, Prometheus, and Grafana.The performance and resource utilization of the data flow display system in Kubernetes clusters are evaluated using Apache JMeter.Three metrics : CPU utilization, response time, throughput, and error rate are used. The experimental results show that on average, the CPU utilization of the horizontally scaled system is higher by 18.48% compared to the non-scaling system, while the vertically scaled system uses 49.45% using less CPU resources than the non-scaling system. The average response time of the horizontally scaled system is 65.60% lower than the non-scaling system, while the vertically scaled system is 1.19% lower than the non-scaling system. The error rate of the horizontally scaled system is 0.04%, but the error rate of the vertically scaled system is as high as 15.16%.

คำสำคัญ (Keywords)

Kubernetes, Horizontal Pod Autoscaler, Vertical Pod Autoscaler

เว็บไซต์โครงงาน
-

วีดีโอคลิปของโครงงาน

ที่เก็บเวอร์ชันซอร์สโค้ด

-


สถานะการนำเข้าข้อมูล

ผู้นำเข้าข้อมูลครั้งแรก
นายปพนธ์ ชุณหคล้าย (b6210503691)

แก้ไขครั้งสุดท้าย
เมื่อ April 7, 2023, 2:30 p.m. โดย นายปพนธ์ ชุณหคล้าย (b6210503691)

สถานะการอนุมัติ
อนุมัติแล้ว โดย จันทนา จันทราพรชัย (fengcnc) เมื่อ April 12, 2023, 5:36 a.m.