Дипломна робота: 146 с., 37 рис., 11 табл., 44 посилань, 1 додаток. Об’єктом дослідження є процес масштабування ресурсів у Kubernetes кластерах. Предметом дослідження є моделі прогнозування навантаження для задачі оптимізації масштабування обчислювальних ресурсів у середовищі Kubernetes. Метою роботи є оптимізація автоскейлінгу в Kubernetes шляхом впровадження моделей машинного навчання, здатних прогнозувати навантаження на CPU, з метою забезпечення ефективнішого управління обчислювальними ресурсами. Kubernetes є основою сучасної хмарної інфраструктури, однак класичні механізми автоскейлінгу, як HPA чи VPA, працюють за реактивним принципом та мають затримки у масштабуванні, що призводить до перевантаження або перевитрати ресурсів. У цій роботі запропоновано проактивний підхід, що ґрунтується на прогнозуванні навантаження за допомогою нейронних мереж. Було проведено порівняльний аналіз архітектур, оброблено реальний часовий ряд метрик навантаження, та запропоновано архітектуру для інтеграції моделі у середовище Kubernetes.