A Multi-Objective Framework for Power-Aware Scheduling in Kubernetes
Notice bibliographique
Résumé
Efficient workload scheduling in Kubernetes is crucial for optimizing energy consumption and resource utilization in large-scale and heterogeneous clusters. However, existing Kubernetes schedulers either ignore power-awareness or rely on simplified, static power models, which limit their effectiveness in managing energy efficiency under dynamic workloads. To address these shortcomings, we present a multi-objective scheduling framework for online Kubernetes pod placement that jointly considers power consumption, resource utilization, and load balancing. The framework follows a two-stage design: (i) a node power–profiling component trains a machine–learning model from real power measurements to predict per-node consumption under varying utilizations; and (ii) an online scheduler uses these predictions within a multi-objective optimization formulation. We implement scheduling optimization using two algorithms, TOPSIS and NSGA-II, adapting them to the Kubernetes context, and also propose a distributed variant of the NSGA-II algorithm that parallelizes fitness evaluation with controlled migration between workers. Experimental results show that the proposed framework outperforms baseline schedulers, achieving a 40% reduction in power consumption and improvements of 74% and 68% in CPU and memory utilization, respectively, while sustaining scalability under high workloads. To the best of our knowledge, this is the first work to integrate learned power models and distributed multi-objective optimization into Kubernetes for power-aware pod scheduling.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».