Kubernetes

У цій статті представлено основні результати глибокого дослідження концепцій проєктування MLFlow у контейнеризованих
та хмарно-орієнтованих системах. Дослідження зосереджується на тому, як MLFlow, як ключова MLOps-платформа, може
бути ефективно розгорнута та керована у хмарно-нативному середовищі для забезпечення масштабованих, відтворюваних і
безпечних робочих процесів машинного навчання. У роботі проаналізовано архітектурні принципи та шаблони інтеграції

Запропоновано підхід для протидії кібератакам у рамках мікросервісної архітектури з використанням моделей на основі машин станів. Створене рішення орієнтоване на інтелектуальний аналіз поточних та потенційних мережевих вторгнень. Метод розроблено для застосувань, що функціонують у середовищі мікросервісної архітектури, розгорнутої на платформі Kubernetes. У рамках дослідження було зібрано спеціалізований набір даних. Для цього було відтворено низку поширених вразливостей зареєстрованих у 2024 році, та зібрано відповідний мережевий трафік кібератак.

У статті розглядається проблема масштабування мікросервісів в кластері Kubernetes, розглянуто існуючі підходи масштабування мікросервісної архітектури та запропоновано підхід до масштабування шляхом міграції частини компонентів. На відміну від найбільш поширених підходів горизонтального та вертикального масштабування, в яких необхідне виділення додаткових ресурсів для їх здійснення, суть запропонованого підходу полягає в міграції частини компонентів, які не є критично важливими для кінцевого користувача системи, на інший Kubernetes кластер.