Eficiencia energética en autoescalado predictivo de Kubernetes: evaluación experimental con Kepler y RAPL

Abstract

Los centros de datos consumen una proporción relevante de la electricidad mundial y su demanda crece con la expansión de servicios en la nube y cargas de inteligencia artificial. En ese contexto, las decisiones de autoescalado en Kubernetes no solo afectan la latencia y la disponibilidad, sino también la energía consumida por cada solicitud atendida. Este trabajo evalúa cinco estrategias de escalado —aprovisionamiento fijo, HPA al 50% de CPU, HPA al 70% de CPU, escalado predictivo basado en Long Short-Term Memory (LSTM) e híbrido predictivo-reactivo— midiendo julios por solicitud (J/req) con Kepler y contadores Running Average Power Limit (RAPL). Además, se contrastan esas mediciones con latencia P95, violaciones de nivel de servicio y pod-seconds. Sobre 81 experimentos válidos, analizados con pruebas no paramétricas, la estrategia predictiva reduce el consumo un 14,7% respecto del aprovisionamiento fijo y disminuye un 49% el uso de instancias. La estrategia híbrida aparece como la alternativa más conveniente para producción: con apenas 2,2% más de energía que el escalador reactivo, reduce las violaciones de nivel de servicio de 40,47% a 9,95%.