Scalability in Microservices: A systematic literature review

Abstract

The scalability of microservices architectures is crucial for modern software systems, yet it presents significant challenges due to their inherent complexities. This study aims to systematically review existing literature on the scalability of microservices, identifying key strategies, challenges, and emerging trends. We conducted a systematic literature review following the PRISMA guidelines, analyzing 55 scholarly articles that specifically address the scalability of microservices. The review focused on various scaling approaches, metrics, and the effectiveness of autoscaling mechanisms. Our findings reveal a diverse body of literature with a predominant focus on autoscaling strategies, particularly those utilizing machine learning. Key challenges identified include accurate metrics collection, dynamic scaling decision-making, and balancing performance with cost and security. While progress has been made in addressing scalability challenges, significant gaps remain, particularly in standardizing autoscaling metrics. Future research should focus on developing robust, adaptive autoscaling systems that can effectively manage real-world complexities and dynamic workloads, ensuring both performance and cost optimization in microservices architectures.

La escalabilidad de las arquitecturas de microservicios es crucial para los sistemas de software modernos, pero presenta desafíos significativos debido a sus complejidades inherentes. Este estudio tiene como objetivo revisar sistemáticamente la literatura existente sobre la escalabilidad de los microservicios, identificando estrategias clave, desafíos y tendencias emergentes. Llevamos a cabo una revisión sistemática de la literatura siguiendo las directrices PRISMA, analizando 55 artículos académicos que abordan específicamente la escalabilidad de los microservicios. La revisión se centró en diversos enfoques de escalado, métricas y la efectividad de los mecanismos de autoescalado. Nuestros hallazgos revelan un cuerpo diverso de literatura con un enfoque predominante en las estrategias de autoescalado, particularmente aquellas que utilizan aprendizaje automático. Los desafíos clave identificados incluyen la recopilación precisa de métricas, la toma de decisiones de escalado dinámico y el equilibrio entre el rendimiento, el costo y la seguridad. Si bien se han logrado avances en la resolución de los desafíos de escalabilidad, persisten brechas significativas, particularmente en la estandarización de las métricas de autoescalado. Las investigaciones futuras deberían centrarse en desarrollar sistemas de autoescalado robustos y adaptativos que puedan gestionar eficazmente las complejidades del mundo real y las cargas de trabajo dinámicas, garantizando tanto la optimización del rendimiento como del costo en las arquitecturas de microservicios.