Modelo de Inteligencia artificial de predicción de latencia en sistemas con arquitectura de microservicios desplegados en la nube
Cargando...
Autores
Director
Tipo de contenido
Editor
Document language:
Español
Fecha
Título de la revista
ISSN de la revista
Título del volumen
Documentos PDF
Resumen
La predicción de la latencia en arquitecturas de microservicios desplegadas en la nube constituye un desafío debido a la naturaleza distribuida del sistema y a la interacción dinámica entre sus componentes. La latencia depende no solo del consumo de recursos individuales —como el uso de CPU o memoria—, sino también del patrón de dependencias y llamados entre microservicios. Ignorar esta estructura puede limitar la capacidad predictiva de los modelos basados únicamente en métricas de uso del sistema.
En esta tesis se propone un modelo de inteligencia artificial para predecir la latencia a partir de datos históricos y de configuración, incorporando información estructural derivada del grafo de llamados entre microservicios. Para ello, se reconstruyó el grafo asociado a cada petición y se calcularon métricas estructurales, incluyendo medidas de centralidad y detección de comunidades. Dichas métricas fueron integradas con variables tradicionales de uso de recursos, conformando un conjunto de datos enriquecido.
Se evaluaron cinco arquitecturas de aprendizaje supervisado —Regresión Lineal, Árbol de Decisión, Random Forest, XGBoost y una red neuronal recurrente LSTM— bajo dos escenarios experimentales: uno limitado a métricas de infraestructura y otro potenciado por el enriquecimiento estructural. El desempeño se cuantificó mediante las métricas MAE, RMSE y $R^2$, mientras que la relevancia de las características se validó mediante la teoría de juegos cooperativos utilizando valores SHAP.
Los resultados muestran que la incorporación de información estructural mejora el desempeño predictivo en la mayoría de los modelos evaluados, evidenciando que la latencia en sistemas distribuidos está influenciada por la topología dinámica de las interacciones entre microservicios. Este trabajo aporta evidencia empírica sobre la relevancia de integrar propiedades topológicas en modelos de predicción de desempeño y plantea su posible aplicación en mecanismos de aprovisionamiento automático para contribuir al cumplimiento de acuerdos de nivel de servicio en infraestructuras de nube de alta complejidad. (Texto tomado de la fuente)
Abstract
Latency prediction in cloud-deployed microservice architectures is a challenging task due to the distributed
nature of the system and the dynamic interactions among services. Latency is influenced not only by resource
consumption metrics—such as CPU and memory usage—but also by the structural dependencies between
microservices. Ignoring this structural information may limit the predictive performance of traditional models
based solely on system resource metrics.
This thesis proposes an artificial intelligence model for latency prediction using historical and configuration
data, incorporating structural information derived from the microservice call graph. For this purpose, a
call graph was reconstructed for each request, and structural metrics—including centrality measures and
community detection—were computed. These features were integrated with traditional resource usage metrics
to build an enriched dataset.
Five supervised learning architectures were compared—Linear Regression, Decision Tree, Random Forest,
XGBoost, and a recurrent neural network (LSTM)—under two experimental scenarios: one limited to
infrastructure metrics and another enhanced with structural enrichment. Performance was assessed using
MAE, RMSE, and R2
, while feature relevance was validated through cooperative game theory using SHAP
values.
Experimental results show that incorporating structural graph information improves predictive performance
in most evaluated models, demonstrating that latency in distributed systems is influenced by the dynamic
topology of microservice interactions. This work provides empirical evidence supporting the integration of
topological features into performance prediction models and highlights its potential application in automated
resource provisioning mechanisms to support Service Level Objective (SLO) compliance.
Descripción
ilustraciones, diagramas, tablas
Términos Normalizados
000 - Ciencias de la computación, información y obras generales::003 - Sistemas; 000 - Ciencias de la computación, información y obras generales::005 - Programación, programas, datos de computación; teoría de grafos; graph theory; Arquitectura de microservicios; microservices; inteligencia artificial; artificial intelligence