Mikroservis Ekosisteminde Servis Keşfi Mekanizması

Abstract

Günümüzde teknolojinin hızla gelişmesi ile yazılım-yoğun sistemler her zamankinden daha fazla hayatımıza dahil olmakta, bu sistemlerde çoğunlukla tercih edilen monolitik yazılım mimarisinin ihtiyacı karşılamakta yetersiz kaldığı görülmektedir. Servis Odaklı Mimari (SOA), uygulama geliştirme dili, platform bağımsız kullanımı ve yüksek ölçeklenebilirlik avantajları nedeniyle monolitik mimari yerine tercih edilmeye başlanmıştır. SOA'nın en güncel uygulaması olan mikroservis mimarisinin yazılım mimarisi olarak kullanımının yaygınlaşması, mikroservisler için keşif problemini beraberinde getirmiştir. Mikroservislerin etkin kullanımı için ilk olarak erişilmek istenen mikroservise ait IP ve Port bilgilerine takiben mikroservisin ilgili yazılım bileşeninin aktif olup olmadığı bilgisine ihtiyaç vardır. Aynı servisi sunan çok sayıda mikroservis tespit edilmesi durumunda, mikroservisler arasından hizmet kalitesi en yüksek olanın seçilmesi gerekir. Bir mikroservisin kalitesi; başarı, verim, gecikme zamanı, tepki süresi gibi belirli parametrelerle belirlenir. Bu çalışma kapsamında mikroservis kalitesinin tahmin edilebilmesi için sistematik literatür taramasıyla yapılan çalışmalarda öne çıkan SVM, Karar Ağacı, Rassal Orman, KNN ve Naive Bayes sınıflandırma algoritmalarının etkili olduğu gözlemlenmiştir. Yaptığımız araştırma çalışmasının bir diğer bulgusu olarak; ilgili algoritmalarla birlikte önerilen Gradyan Artırma, XGBoost, LightGBM ve CatBoost yükseltme algoritmalarını kullanan ampirik çalışmalar yapılmıştır. Geliştirilen modellerin en uygun hiperparametre değerlerinin tespit edilmesi için Grid Search, Random Search, Bayes Search, Halvin Grid Search ve Halvin Random Search olarak beş farklı yöntem kullanılmıştır. Deneylerde gerçek dünyadan elde edilen 2507 mikroservise ait trafik verisini barındıran QWS veriseti kullanılmıştır. Mikroservis kalitesinin tahmin edilmesinde en iyi sonuç %90.42'lik genel doğruluk oranı ile CatBoost algoritmasıyla elde edilmiştir.