← أحدث الأبحاث
💻 computer science

DriGitScale: Drift-Aware GitOps for Consistency-Aware Predictive Autoscaling in Kubernetes

تُعد DriGitScale إطار عمل GitOps مدركاً للانحراف (drift-aware) لبيئات Kubernetes، حيث تعمل على تعزيز استقرار القياس التلقائي واتساق النشر من خلال صياغة قرارات القياس كمسألة إدارة اتساق تُقيّم بشكل مشترك انحرافات التنبؤ والموارد والتهيئة، مما يقلل من إجراءات القياس غير الضرورية مع الحفاظ على استجابة تنافسية عبر ظروف أعباء العمل المتنوعة.

المؤلفون الأصليون: Ahmed Fathi AboElazm, Abdalla Sayed Yassin, Hanan Fahmy

نُشر 2026-10-01
📖 4 دقيقة قراءة☕ قراءة في استراحة قهوة
CC BY 4.0

المؤلفون الأصليون: Ahmed Fathi AboElazm, Abdalla Sayed Yassin, Hanan Fahmy

البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل

في البنية التحتية الشاسعة وغير المرئية للإنترنت الحديث، لا تعمل التطبيقات على أجهزة فردية ثابتة، بل تعيش في بيئات ديناميكية قائمة على السحابة، حيث تبدأ آلاف الوحدات البرمجية الصغيرة والمستقلة وتتوقف وتتحرك باستمرار للحفاظ على سير الخدمات بسلاسة. إن إدارة هذه الأنظمة تشبه قيادة أوركسترا ضخمة حيث يغير الموسيقيون آلاتهم وإيقاعهم في كل ثانية. وللتعامل مع ذلك، يستخدم المهندسون نظامًا يُسمى "كوبيرنيتيس" (Kubernetes)، والذي يعمل بمثابة المايسترو، حيث يقوم تلقائيًا بتعديل عدد وحدات البرمجيات التي تعمل بناءً على مدى انشغال النظام. فعندما تزداد حركة المرور بشكل مفاجئ، يضيف النظام المزيد من الوحدات؛ وعندما تهدأ، يقوم بإزالتها. ويُعرف هذا التعديل التلقائي باسم "التحجيم التلقائي" (autoscaling). ولسنوات طويلة، كان الهدف هو التنبؤ بتغيرات حركة المرور هذه قبل حدوثها، باستخدام نماذج رياضية لتخمين المستقبل وإعداد الموارد مسبقًا. ومع ذلك، يشير نهج جديد إلى أن مجرد التخمين الدقيق للمستقبل ليس كافيًا للحفاظ على استقرار النظام.

لقد اقترح باحثون من جامعة حلوان، التي أصبحت الآن جامعة العاصمة في مصر، طريقة جديدة لإدارة هذه الأنظمة تُسمى "DriGitScale". ويتحدى عملهم الاعتقاد الراسخ منذ فترة طويلة بأن التنبؤ الأكثر دقة هو الشيء الوحيد الذي يهم لضمان التشغيل السമوح. فقد وجدوا أنه حتى عندما يتنبأ نموذج حاسوبي بدقة بحدوث طفرة في حركة المرور، يمكن للنظام أن يصبح غير مستقر إذا لم تتطابق الموارد الفعلية المتاحة مع الخطة، أو إذا انحرفت التعليمات الخاصة بكيفية ظهور النظام عن الواقع. ولحل هذه المشكلة، بنى الفريق إطار عمل يعامل التحجيم التلقائي ليس فقط كلعبة تخمين، بل كعملية تحقق من الاتساق. لقد صمموا نظامًا يقارن باستمرار بين ثلاثة أشياء مختلفة: ما تنبأ به الحاسوب بحدوثه، وما يحدث بالفعل الآن، وما تقول تعليمات النظام الرسمية بوجوب حدوثه.

الفكرة الجوهرية وراء "DriGitScale" هي أن قرار التحجيم يجب ألا يُتخذ إلا إذا اتفقت جميع هذه الرؤى المختلفة للنظام. في الماضي، كانت العديد من الأنظمة تستجيب فورًا للتنبؤ، حيث تضيف أو تزيل الموارد بمجرد أن تقترح توقعات معينة حدوث تغيير. وقد أدى ذلك غالبًا إلى دورة فوضوية حيث يبالغ النظام في رد فعله تجاه التقلبات الصغيرة، فيضيف موارد كثيرة جدًا ثم يزيلها بسرعة كبيرة، وهو سلوك يُعرف باسم "التذبذب" (oscillation). ويقدم الأسلوب الجديد طبقة "مدركة للانحراف" (drift-aware). فقبل أن يتصرف النظام بناءً على تنبؤ ما، فإنه يتحقق من وجود "انحراف"، وهو ببساطة الفجوة بين ما كان متوقعًا، وما هو واقعي، وما هو مخطط له. وإذا كانت الفجوة كبيرة جدًا، يفترض النظام أن التنبؤ قد يكون مضللاً أو أن البيئة فوضوية للغاية بحيث لا يمكن الوثوق بتغيير سريع، لذا فهو ينتظر. وهذا يمنع النظام من إجراء تعديلات غير ضرورية تهدر الطاقة وتربك البرمجيات.

ولاختبار هذه الفكرة، أجرى الباحثون تجارب باستخدام بيانات من العالم الحقيقي من ناسا (NASA) وويكيبيديا (Wikipedia)، بالإضافة إلى بيانات اصطناعية مصممة لتكون صاخبة وغير متوقعة للغاية. وقارنوا طريقتهم الجديدة بالأنظمة القديمة التي تعتمد فقط على دقة التنبؤ. وأظهرت النتائج فرقًا واضحًا؛ فعندما كان النظام الجديد نشطًا، انخفض عدد التغييرات غير الضرورية في النظام بشكل كبير. فعلى سبيل المثال، في الاختبارات التي استخدمت بيانات ناسا، انخفض عدم استقرار النظام من مستوى مرتفع قدره 0.1315 إلى 0.0097 فقط عند تشغيل فحص الانحراف. وهذا يعني أن النظام توقف عن إجراء تعديلات محمومة وفائضة واستقر في إيقاع أكثر هدوءًا وموثوقية. ومن المثير للاهتمام أن الباحثين وجدوا أن هذا الاستقرار ظل قائمًا حتى عندما استخدموا نماذج تنبؤ بسيطة وأقل قوة. وهذا يشير إلى أن سر استقرار النظام لا يكمن بالضرورة في امتلاك أكثر الأدمغة تعقيدًا لتخمين المستقبل، بل في امتلاك فحص دقيق لضمان أن التخمين منطقي في الواقع الحالي.

كما يدمج إطار العمل طريقة تُسمى "GitOps"، وهي طريقة لإدارة تعليمات النظام عن طريق تخزينها في مكتبة خاضعة للتحكم في الإصدارات، بشكل مشابه لكيفية حفظ الكتاب لمسودات مستنداته. وفي هذا الإعداد، يجب أن يُكتب أي تغيير في عدد الوحدات البرمجية التي تعمل أولاً كتعليمات رسمية في هذه المكتبة. ثم تقوم أداة منفصلة بقراءة تلك التعليمات وتحديث النظام الفعلي ليتطابق معها. وهذا يضمن أن النظام الفعلي الذي يعمل لا ينحرف أبدًا عن الخطة الرسمية. ومن خلال الجمع بين هذا التسجيل الصارم والتدقيق في الانحراف، يخلق "DriGitScale" حلقة مغلقة حيث يتحقق النظام باستمرار من أن تنبؤاته، وأداءه الفعلي، وخططه الرسمية، كلها متوافقة. وإذا لم تكن كذلك، فإن النظام يتوقف وينتظر الوضوح بدلًا من التصرف بناءً على الاندفاع.

تخلص الدراسة إلى أنه لكي تظل أنظمة السحابة مستقرة، يجب أن تتطلع إلى ما وراء دقة توقعاتها. لقد أثبت الباحثون أنه من خلال التحقق من صحة القرارات مقابل اتساق النظام بأكمله، تمكنوا من تقليل عدد إجراءات التحجيم بشكل كبير مع الاستمرار في الاستجابة بسرعة كافية للتعامل مع طفرات حركة المرور الحقيقية. ووجدوا أن مستوى متوسط من الحساسية، يتم ضبطه عند عتبة محددة، قدم أفضل توازن بين البقاء هادئًا والاستجابة بسرعة. لا يتطلب هذا النهج استبدال أدوات التنبؤ الموجودة، بل يضيف طبقة من الحكم التي تصفي الضجيج. وتشير النتائج إلى أن مستقبل الحوسبة السحابية الموثوقة لا يكمن في التنبؤ بالمستقبل بشكل مثالي، بل في ضمان فهم اللحظة الحالية بوضوح قبل اتخاذ أي إجراء. ومن خلال التركيز على الاتساق بدلاً من مجرد التنبؤ، يصبح النظام أكثر قوة، مستخدمًا موارد أقل ومتجنبًا الارتباك الناتج عن التغيير المستمر وغير الضروري.

غارق في أبحاث مجالك؟

تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.

جرّب Digest →

أبحاث مشابهة

عرض الكل في هذا التصنيف 💻 cs →