Progetto sperimentale dedicato all'analisi del comportamento di applicazioni a microservizi distribuite su più cluster Kubernetes, utilizzando Liqo per la gestione dell'offloading dei workload tra cluster.
L'obiettivo è valutare le prestazioni, i tempi di migrazione e la continuità del servizio in diversi scenari operativi, attraverso esperimenti riproducibili e strumenti di monitoraggio.
- Kubernetes – Orchestrazione dei container e gestione dei workload.
- Liqo – Federazione dei cluster Kubernetes e offloading dei servizi.
- Kind – Creazione di cluster Kubernetes locali.
- Online Boutique – Applicazione dimostrativa a microservizi utilizzata come workload.
- Locust – Generazione del carico applicativo e raccolta delle metriche HTTP.
- Prometheus e Grafana – Monitoraggio delle risorse e delle prestazioni.
- Bash e Python – Automazione degli esperimenti, elaborazione dei dati e generazione dei grafici.
L'ambiente sperimentale è costituito da due cluster Kubernetes:
- Consumer: cluster di origine che ospita l'applicazione e gestisce l'offloading.
- Provider: cluster remoto che mette a disposizione risorse computazionali per l'esecuzione dei workload.
I cluster sono collegati mediante Liqo, che consente di eseguire Pod sul provider attraverso un nodo virtuale visibile dal consumer.
L'applicazione utilizzata è Online Boutique, composta da diversi microservizi che comunicano tra loro.
Valutazione delle prestazioni dell'applicazione con diversi livelli di utenti virtuali concorrenti.
Metriche analizzate:
- Throughput e failure rate.
- Latenza media e percentili P95/P99.
- Utilizzo di CPU e memoria dei Pod.
- Utilizzo delle risorse dei nodi Kubernetes.
Misurazione del tempo necessario a trasferire i workload dal consumer al provider, senza un carico applicativo attivo durante la migrazione.
Vengono analizzati i tempi di readiness dei Deployment e il completamento della procedura di offloading.
Migrazione dei servizi dal consumer al provider durante l'esecuzione di un carico applicativo generato tramite Locust.
L'esperimento permette di valutare l'impatto della migrazione su throughput, latenza e disponibilità dell'applicazione.
Rientro dei workload dal provider al consumer mentre l'applicazione continua a ricevere richieste.
L'obiettivo è misurare i tempi di rientro e individuare eventuali interruzioni o degradazioni prestazionali durante la procedura.
Simulazione di guasti nell'infrastruttura Kubernetes, con particolare attenzione al comportamento dei workload offloadati e alla capacità del sistema di reagire all'indisponibilità delle risorse remote.
Vengono monitorati lo stato dei Pod, dei nodi, dei Deployment e gli eventi Kubernetes durante il guasto.
Il repository è organizzato nelle seguenti directory principali:
distributed_project/
├── configs/ # Configurazioni degli esperimenti e di Liqo
├── scripts/ # Script Bash e Python
│ ├── analysis/ # Elaborazione metriche e generazione grafici
│ └── workload_test/
├── results/ # Risultati e dati sperimentali
└── README.md
Gli esperimenti sono automatizzati mediante script Bash e utilizzano file di configurazione condivisi.
Le principali configurazioni sono definite in:
configs/exp_config.conf
configs/liqo_config.conf
Prima dell'esecuzione è necessario predisporre i cluster Kubernetes, configurare Liqo e verificare la disponibilità dei workload applicativi.
Gli script raccolgono metriche, eventi e snapshot dello stato del sistema, salvando i risultati nelle directory dedicate ai singoli esperimenti.
I dati raccolti vengono elaborati mediante script Python per produrre:
- File CSV contenenti metriche aggregate.
- Grafici temporali delle prestazioni applicative.
- Confronti tra diverse configurazioni sperimentali.
- Tabelle riepilogative dei tempi di migrazione.
- Log degli eventi Kubernetes.
L'analisi consente di confrontare il comportamento dell'applicazione nelle configurazioni locali e multi-cluster, valutando vantaggi e limitazioni dell'utilizzo di Liqo.
Il progetto mira a fornire una valutazione sperimentale dell'utilizzo di Liqo in ambienti Kubernetes multi-cluster, con particolare attenzione a:
- Prestazioni applicative.
- Tempi di offloading e unoffloading.
- Continuità del servizio durante le migrazioni.
- Comportamento del sistema in presenza di guasti.
- Impatto della distribuzione dei workload sulle risorse infrastrutturali.
Progetto sviluppato nell'ambito di uno studio universitario sui Sistemi Distribuiti, con particolare riferimento all'orchestrazione multi-cluster e alla gestione dinamica dei workload Kubernetes.