Sviluppo e Valutazione di uno Scheduler Latency-Aware per Kubernetes

La tesi affronta il problema della schedulazione di carichi di lavoro in ambienti edge I-IoT utilizzando Kubernetes. Con l'avvento di Internet of Things (IoT) e l'Industrial IoT (I-IoT), l'edge computing ha acquisito una rilevanza fondamentale per ridurre la latenza e migliorare la reattività dei sistemi. Tuttavia, lo scheduler nativo di Kubernetes non è ottimizzato per le esigenze di ambienti distribuiti in cui la latenza e la posizione delle risorse giocano un ruolo cruciale. L'obiettivo principale della tesi è lo sviluppo di uno scheduler custom latency-aware per Kubernetes, in grado di ottimizzare la distribuzione dei carichi di lavoro in base alla latenza di rete. Il lavoro presenta una soluzione basata su uno scheduler che raccoglie metriche di latenza in tempo reale, le utilizza per prendere decisioni dinamiche di schedulazione e introduce un meccanismo di deschedulazione per eliminare le repliche meno performanti. Le simulazioni e i test sperimentali condotti dimostrano che l'approccio proposto riduce significativamente la latenza end-to-end rispetto allo scheduler nativo di Kubernetes, migliorando le prestazioni complessive del sistema in contesti edge.