Performance Evaluation of Automated Multi-Service Deployment in Edge-Cloud Environments with the CODECO Toolkit

Este artigo avalia o toolkit CODECO, demonstrando que ele reduz significativamente o esforço manual na orquestração de microsserviços em ambientes Edge-Cloud heterogêneos, mantendo desempenho competitivo e sobrecarga aceitável em comparação com fluxos de trabalho Kubernetes padrão.

O essencial

Imagine que você tem uma rede de pequenas lojas (os "Edge") espalhadas por uma cidade e um grande armazém central (a "Cloud"). O objetivo é entregar produtos (dados e serviços) o mais rápido possível para os clientes.

Antigamente, gerenciar essa rede era como tentar organizar um baile de máscaras com um único maestro gritando instruções para todos. Se a música mudasse ou se uma loja ficasse cheia, era difícil ajustar tudo rapidamente. O Kubernetes (K8s) é como um maestro moderno e muito organizado que automatiza essa tarefa, mas ainda exige que o humano (o gerente) dê muitas instruções manuais, especialmente quando as lojas são muito diferentes umas das outras (algumas são potentes, outras são frágil como um tablet antigo).

É aqui que entra o CODECO, o "herói" deste artigo.

O Que é o CODECO?

Pense no CODECO como um sistema nervoso inteligente e autônomo para essa rede de lojas. Em vez de o gerente ter que correr de loja em loja para dizer o que fazer, o CODECO usa "cérebro" (Inteligência Artificial e regras) para:

1. Decidir automaticamente qual loja deve receber qual produto.
2. Saber quando uma loja está cansada e mover o trabalho para outra.
3. Garantir que a energia gasta seja a menor possível.

O artigo é um teste de estresse para ver se esse novo "cérebro" funciona bem na vida real, comparando-o com o método tradicional (apenas o Kubernetes sem ajuda).

Como Eles Fizeram o Teste?

Os pesquisadores montaram cenários variados, como se fossem diferentes tipos de cidades:

• Lojas de luxo: Servidores potentes em nuvens (como na AWS).
• Lojas de bairro: Computadores comuns.
• Quiosques de rua: Dispositivos pequenos e fracos, como Raspberry Pis (parecidos com cartões de memória gigantes), que representam os dispositivos IoT (Internet das Coisas).

Eles usaram três "medidores" principais para julgar o CODECO:

1. O Medidor de "Trabalho Manual" (Quanta ajuda o humano precisa?)

• A Analogia: Imagine montar um quebra-cabeça gigante.
  • Método Antigo (K8s puro): Você precisa pegar cada peça, lixar a borda, pintar a cor e encaixar uma por uma. São 19 passos manuais só para começar.
  • Método CODECO: Você aperta um botão "Montar" e a máquina faz 90% do trabalho. Você só precisa dizer "comece".
• O Resultado: O CODECO reduziu o trabalho manual em mais de 70% a 90%. O humano quase não precisa mais tocar no teclado para configurar tudo.

2. O Medidor de "Tempo de Entrega" (Quanto tempo leva para as coisas começarem?)

• A Analogia: É o tempo entre você pedir um lanche no aplicativo e ele chegar na sua mesa.
• O Resultado: O CODECO é um pouco mais lento que o método antigo (talvez 5 a 10 segundos a mais para começar), porque ele está "pensando" e decidindo a melhor rota. Mas, para a maioria das aplicações (como um sistema de trânsito inteligente ou entrega de vídeo), esse atraso é insignificante. O importante é que ele funciona de forma estável, mesmo em dispositivos fracos.

3. O Medidor de "Custo e Energia" (Quanto consome?)

• A Analogia: É a conta de luz e o desgaste do motor do carro.
• O Resultado: O CODECO consome um pouco mais de memória (RAM) e um pouquinho mais de energia (cerca de 5% a mais) porque o "cérebro" dele precisa de espaço para pensar. No entanto, ele é eficiente o suficiente para não sobrecarregar o sistema. É como trocar um carro que anda rápido, mas gasta muita gasolina, por um carro um pouco mais lento, mas que se adapta melhor ao trânsito e economiza no longo prazo.

O Que Eles Descobriram?

1. Funciona em qualquer lugar: O CODECO conseguiu gerenciar desde servidores superpotentes até aqueles pequenos computadores de rua (Raspberry Pis) sem travar.
2. O gargalo é a rede: A parte que mais demorou para configurar foi a gestão da rede (como os cabos e o Wi-Fi se conectam). É como se o sistema nervoso demorasse um pouco mais para conectar os nervos aos dedos.
3. Vale a pena: Apesar de gastar um pouquinho mais de memória e energia, a redução drástica no trabalho manual e a capacidade de se adaptar sozinha tornam o CODECO uma solução excelente para o futuro, onde teremos milhões de dispositivos inteligentes espalhados pelo mundo.

Conclusão Simples

O artigo diz: "O CODECO é como contratar um gerente de operações superinteligente e robótico para sua rede de lojas. Ele exige um pouco mais de espaço na memória do computador para funcionar, mas economiza horas de trabalho humano e garante que tudo funcione bem, mesmo quando as lojas são muito diferentes umas das outras."

É um passo importante para que, no futuro, nossas cidades inteligentes, carros autônomos e fábricas robóticas funcionem sozinhas, sem que precisemos de um exército de técnicos para configurar cada dispositivo.

Resumo técnico

Título: Avaliação de Desempenho de Implantação Automatizada de Multi-Serviços em Ambientes Edge-Cloud com o Toolkit CODECO

1. Problema e Contexto

A computação Edge-Cloud tornou-se um paradigma fundamental para aplicações sensíveis à latência e intensivas em computação, distribuindo recursos entre a nuvem, servidores de borda e dispositivos IoT. Embora o Kubernetes (K8s) seja o orquestrador dominante para microsserviços, a automação da implantação e gestão de aplicações multi-serviço em ambientes heterogêneos (Edge-Cloud-IoT) permanece um desafio significativo.

Os principais problemas identificados incluem:

• Complexidade Operacional: A gestão de cargas de trabalho dinâmicas em infraestruturas heterogêneas (ARM vs. x86, diferentes topologias de cluster) exige intervenção manual intensiva.
• Falta de Inteligência Contextual: As soluções padrão de K8s frequentemente carecem de mecanismos de tomada de decisão conscientes do contexto (energia, rede, QoS) e adaptativos em tempo real.
• Dificuldade de Reprodutibilidade: A avaliação de soluções de orquestração em cenários reais de borda é complexa devido à falta de frameworks padronizados para experimentação.

2. Metodologia

O estudo avalia o CODECO (Cognitive Decentralised Edge Cloud Orchestration), um toolkit de código aberto projetado para estender as capacidades nativas do K8s com orquestração cognitiva e baseada em políticas.

• Abordagem Experimental:

  • Comparação: O desempenho do CODECO foi comparado com um fluxo de trabalho de K8s "vanilla" (padrão, sem componentes CODECO).
  • Infraestrutura Diversificada: Os experimentos foram realizados em seis ambientes heterogêneos (INF1 a INF6), incluindo servidores locais, clusters leves baseados em Raspberry Pi (ARM), ambientes virtualizados (VMs) e a nuvem (AWS). Foram utilizados diferentes sabores de K8s, como o padrão e o k3s (leve).
  • Framework de Experimentação (CODEF): Utilizou-se o CODECO Experimentation Framework (CODEF) para garantir reprodutibilidade, automatizando a configuração de clusters, implantação de aplicações e coleta de métricas.
  • Cargas de Trabalho: Foram testados três cenários de aplicação:
    1. Pods de pausa (Batch): Para medir latência de inicialização básica.
    2. Aplicação Dummy (Frontend-Backend): Para simular fluxos de trabalho de microsserviços simples.
    3. Bookinfo: Um benchmark realista de microsserviços complexo.

• Indicadores-Chave de Desempenho (KPIs):

  1. Tempo de Implantação: Tempo para configurar clusters e serviços.
  2. Intervenção Manual (MIP): Porcentagem de ações manuais necessárias em relação a uma configuração totalmente manual.
  3. Pegada de Recursos: Consumo de CPU, memória e energia estimada.

3. Arquitetura e Componentes do CODECO

O CODECO opera através de cinco componentes colaborativos que estendem o plano de controle do K8s:

1. ACM (Gerenciamento Automatizado de Configuração): Ponto de entrada do usuário, traduzindo requisitos em especificações implantáveis.
2. SWM (Agendamento e Migração de Carga de Trabalho): Substitui o agendador padrão do K8s por um solucionador de problemas restritos que otimiza a colocação com base em QoS, energia e rede.
3. PDLC (Aprendizado Descentralizado e Consciência de Contexto): O "cérebro" do sistema, utilizando ML e lógica baseada em regras para atribuir pesos aos nós com base em telemetria.
4. NetMA (Gerenciamento e Adaptação de Rede): Controla a conectividade e caminhos de rede seguros entre pods.
5. MDM (Gerenciador de Metadados): Fornece observabilidade e rastreabilidade de dados através das camadas de aplicação e sistema.

4. Resultados Principais

• Redução Drástica da Intervenção Manual:

  • O uso do CODEF e do CODECO reduziu a intervenção manual em 74,7% para a implantação de clusters, 90,5% para a instalação do K8s e 81,8% para a implantação de serviços, comparado ao método manual padrão.
  • O MIP (Manual Intervention Percentage) caiu de dezenas de ações para apenas 3 a 4 ações essenciais.

• Desempenho de Implantação e Latência:

  • Tempo de Inicialização: O CODECO introduz uma sobrecarga de latência na inicialização de pods (devido ao agendamento cruzado de camadas), mas essa sobrecarga é aceitável (alguns segundos). Em alguns cenários (como em clusters com restrições de recursos), o CODECO até superou o K8s padrão devido a otimizações de agendamento.
  • Escalabilidade: A sobrecarga relativa diminui à medida que a complexidade da carga de trabalho aumenta. Por exemplo, na aplicação Dummy, a sobrecarga caiu de +148,7% (1 réplica) para +9,5% (50 réplicas), indicando que o custo de orquestração torna-se proporcionalmente menor em cargas complexas.
  • Componente Crítico: O NetMA (Gerenciamento de Rede) foi identificado como o componente que mais consome tempo durante a instalação (34% a 64% do tempo total), destacando a complexidade da orquestração de rede em ambientes distribuídos.

• Pegada de Recursos (CPU, Memória e Energia):

  • CPU: Em estado ocioso, o CODECO adicionou uma sobrecarga de CPU de aproximadamente +7,23% (em clusters CODEF) e +4,4% (em KinD).
  • Memória: Aumento significativo no consumo de memória, variando de +4,57 GB a +11,42 GB dependendo da escala e do ambiente, devido aos componentes de orquestração adicionais.
  • Energia: O consumo de energia aumentou em cerca de 4,7% a 10,7%, o que é considerado aceitável dada a inteligência e a adaptabilidade oferecidas pelo sistema.

• Robustez em Hardware de Borda:

  • O sistema manteve operação estável em nós baseados em Raspberry Pi (ARM), embora com latências mais altas devido às limitações de hardware, validando a eficácia do CODECO em ambientes de borda restritos.

5. Contribuições e Significado

• Validação de Solução Prática: O estudo valida o CODECO como uma solução eficaz para orquestração Edge-Cloud, demonstrando que é possível automatizar a gestão de multi-serviços complexos sem sacrificar drasticamente o desempenho de tempo de execução.
• Metodologia Reprodutível: A introdução do framework CODEF e a adesão às diretrizes do grupo de trabalho BMWG da IETF estabelecem um novo padrão para a reprodutibilidade de experimentos em orquestração de borda.
• Insights sobre Sobrecarga: O trabalho fornece uma análise granular de onde residem as sobrecargas (principalmente memória e gerenciamento de rede), guiando futuras otimizações.
• Flexibilidade Cognitiva: Demonstra a viabilidade de usar modelos de decisão cognitivos (ML/regras) para otimizar a colocação de serviços em tempo real, adaptando-se a condições de rede e energia dinâmicas.

Conclusão:
O artigo conclui que o CODECO oferece um equilíbrio favorável entre automação, inteligência e desempenho. Embora introduza uma sobrecarga moderada de recursos (especialmente memória), a redução massiva na intervenção manual e a capacidade de adaptação a ambientes heterogêneos tornam-no uma ferramenta valiosa para a próxima geração de aplicações Edge-Cloud. O trabalho futuro focará na expansão para ambientes de múltiplos clusters federados e na inclusão de cenários de falha e tráfego dinâmico.