Ο ταχέως εξελισσόμενος τομέας της διάρθρωσης container έχει οδηγήσει το Kubernetes να αναδεικνύεται ως πρωτοπόρος, προσφέροντας ισχυρές λύσεις για τη διαχείριση πολύπλοκων, κατανεμημένων συστημάτων. Αυτή η διατριβή εισάγει μια νέα προσέγγιση στη βελτιστοποίηση του Kubernetes εφαρμόζοντας αρχές της θεωρίας γραφημάτων. Η έρευνα βασίζεται στην υπόθεση ότι μια θεωρητική προοπτική γραφημάτων μπορεί να βελτιώσει την κατανόηση και τη διαχείριση των συμπλεγμάτων Kubernetes, ιδιαίτερα στους τομείς της κατανομής πόρων, της δικτύωσης και της διαχείρισης παραμέτρων. Μια πειραματική εγκατάσταση σχεδιάστηκε σε ένα ελεγχόμενο περιβάλλον Kubernetes για να ελεγχθεί αυτή η υπόθεση. Βασικοί δείκτες απόδοσης, όπως η χρήση της CPU και της μνήμης, η απόδοση δικτύου και η επεκτασιμότητα του συστήματος μετρήθηκαν πριν και μετά την εφαρμογή θεωρητικών στρατηγικών βελτιστοποίησης γραφημάτων. Τα αποτελέσματα κατέδειξαν σημαντικές βελτιώσεις στην αποδοτικότητα των πόρων, την απόδοση του δικτύου και τη συνολική επεκτασιμότητα του συστήματος, υποστηρίζοντας την υπόθεση. Αυτά τα ευρήματα έχουν επιπτώσεις όχι μόνο στην ακαδημαϊκή έρευνα στον υπολογιστικό cloud και στα κατανεμημένα συστήματα, αλλά προσφέρουν επίσης πρακτικές γνώσεις για τους επαγγελματίες του Kubernetes. Αυτή η διατριβή ανοίγει το δρόμο για περαιτέρω εξερεύνηση στην ενσωμάτωση θεωρητικών μοντέλων με τεχνολογίες εγγενείς στο cloud, δυνητικά αναδιαμορφώνοντας τις στρατηγικές βελτιστοποίησης Kubernetes τόσο στη βιομηχανία όσο και στον ακαδημαϊκό κόσμο.
(EL)
The rapidly evolving field of container orchestration has seen Kubernetes emerge as a frontrunner, offering robust solutions for managing complex, distributed systems. This thesis introduces a novel approach to Kubernetes optimization by applying principles of graph theory. The research is grounded in the hypothesis that a graph-theoretical perspective can enhance understanding and management of Kubernetes clusters, particularly in the areas of resource allocation, networking, and configuration man-agement. An experimental setup was designed within a controlled Kubernetes envi-ronment to test this hypothesis. Key performance indicators such as CPU and memory utilization, network throughput, and system scalability were measured before and after applying graph-theoretical optimization strategies. The results demonstrated significant improvements in resource efficiency, network performance, and overall system scala-bility, supporting the hypothesis. These findings have implications not only for aca-demic research in cloud computing and distributed systems but also offer practical in-sights for Kubernetes practitioners. This thesis paves the way for further exploration into the integration of theoretical models with cloud-native technologies, potentially re-shaping Kubernetes optimization strategies in both industry and academia.
(EN)
/aggregator-openarchives/portal/institutions/uoa
