[논문] 클라우드 네이티브 및 연합 클라우드‑엣지 환경에서의 예측 자동 확장: 분류 체계와 향후 과제

개요

오토스케일링은 클라우드 네이티브 시스템에서 핵심 역량이며, 동적인 워크로드, 이질적인 환경, 그리고 지연에 민감한 애플리케이션이 효율적이고 적응적인 자원 관리를 요구합니다. 고정된 임계값에 기반한 전통적인 반응형 접근 방식은 종종 대응이 늦어 자원 불균형, 성능 저하, 그리고 불안정한 스케일링 행동을 초래합니다. 예측 모델, Kubernetes Custom Resource Definitions(CRDs), Monitor‑Analyse‑Plan‑Execute(MAPE) 기반 제어 루프, 그리고 연합 학습(FL)의 최근 발전은 보다 선제적이고 자율적인 오토스케일링 전략을 가능하게 했습니다. 본 논문은 이러한 발전을 구조적으로 검토합니다. 먼저 트리거, 대상, 예측 모델, 평가 지표에 기반한 오토스케일링 기법의 분류 체계를 소개합니다. 이어서 예측 기반 오토스케일링 접근법과 CRD 기반 메커니즘(예: Kubernetes 오퍼레이터와 리컨실리에이션 워크플로)을 살펴봅니다. 더 나아가 연합 학습 환경에서의 오토스케일링을 분석하며, 프라이버시 보호 기법 및 컨테이너 수준 격리를 포함한 반응형·선제형 전략을 강조합니다. 또한 이질적인 워크로드를 위한 드리프트 인식 및 불확실성 인식 오토스케일링을 논의하고, Autoscaling Drift Index(ADI), 피드백 기반 보정, 안정성 제어와 같은 개념을 통합합니다. 마지막으로 개방 과제와 향후 연구 방향을 제시하여 클라우드‑엣지 환경에서 차세대 지능형 예측 오토스케일링의 기반을 마련합니다.

주요 기여

이 논문은 다음 분야의 연구를 제시합니다.

• cs.DC

방법론

자세한 방법론은 전체 논문을 참고하십시오.

실용적 시사점

본 연구는 cs.DC 분야의 발전에 기여합니다.

저자

• Bablu Kumar
• Anshul Verma
• Rajkumar Buyya

논문 정보

• arXiv ID: 2606.07046v1
• Categories: cs.DC
• Published: June 5, 2026
• PDF: PDF 다운로드