Autopilot
ワークロード固有のMLモデルを使用したリアルタイム水平Podスケーリングで、トラフィック急増に10秒以内に反応し、HPAの30秒以上の遅延を排除します。
概要
標準HPAは30秒から5分かかる反応的スケーリングに依存します。トラフィック急増中にこの遅延はダウンタイム、遅い応答時間、顧客体験低下につながります。手動の事前スケーリングは継続的なエンジニアリングの注意が必要で予期しないトラフィックで失敗します。
Autopilotは各ワークロードに対してトレーニングされたMLモデルで、トラフィックパターンとワークロード性能を学習します。トラフィックが急増するとAutopilotは10秒以内にPodを拡張し、HPAより約2倍高速に反応します。これによりサービスはダウンタイムなしで急増を処理できます。
Autopilotが優れている理由
| 標準HPA | Wave Autopilot | |
|---|---|---|
| Reaction Time | ~30 seconds to detect and react to load changes | Less than 10 seconds using workload-specific performance models |
| Decision Model | Simple threshold-based rules (CPU > 70% → scale up) | Workload-specific ML models trained on actual traffic patterns |
| Configuration Management | Manual tuning of targets, stabilization windows, and behavior policies | One-click setup with continuous learning and auto-tuning |
ビジネス成果
HPAの約30秒に対し10秒以内にPodを拡張してダウンタイムを防止
ML models eliminate over-scaling and under-scaling
Prevent downtime with fast, intelligent scaling
インタラクティブ速度比較
ボタンをクリックしてトラフィック急増をシミュレーションし、各システムの応答を確認
Kubernetes HPA
HPA: 監視中
Wave Autopilot
Autopilot: 準備完了
約20秒の優位性 – AutopilotはHPAの約30秒に対し10秒以内にスケーリングし、トラフィック急増時のサービス低下を防止
動作原理
1. トラフィックパターン学習
Autopilotは各ワークロードの履歴トラフィック、応答時間、リソース消費を観察します。
2. 性能モデル学習
MLモデルがワークロードの実際のトラフィックパターンと性能を学習し、負荷に応じたレプリカ数を算出します。
3. リアルタイム判断
Autopilotがトラフィックが増加する前にPodを自動的に拡張してスムーズな処理を保証。
4. ダウンスケーリング最適化
トラフィック減少時Autopilotが安全にダウンスケールしてリソース無駄とコストを防止。