ISSN: 0137-0782
Поступила: 28.01.2025
Принята к публикации: 10.02.2025
Ключевые слова: прогноз временных характеристик, обучение моделей случайного леса, метод главных компонент, нейронные сети на основе многослойного персептрона, сверточные сети
DOI: 10.55959/MSU/0137–0782–15–2025–49–3–62–73
Писковский В.О., Лычева Е.О., Могиленец В.М. Прогнозирование временных характеристик прикладных сетевых сервисов // Вестник Московского университета. Серия 15. Вычислительная математика и кибернетика. 2025. № 3. С. 62-73 https://doi.org/10.55959/MSU/0137–0782–15–2025–49–3–62–73.
Функционирование распределенных вычислительных систем в соответствии с предъявляемыми к ним техническими требованиями определяется эффективностью размещения сетевого сервиса на оборудовании в сети. При этом пользователям сети предоставляется набор информационных услуг с заданным уровнем качества и надежности:
1) доступ к информации “в любое время в любом месте”, т.е. любому участнику процесса управления при наличии прав доступа при возникновении потребности и вне зависимости от места его нахождения;
2) информационное взаимодействие между автоматизированными системами;
3) своевременный мониторинг и анализ данных источников различного типа;
4) переход от централизованной схемы “загрузка с очисткой данных–анализ–распространение” к схеме “распределенные размещение и предобработка данных, и по необходимости — последующие загрузка, анализ и распространение”.
Ключевым условием предоставления упомянутых услуг с требуемыми вероятностными и временными параметрами выступает прогнозирование времени выполнения сетевых сервисов на разнообразном оборудовании и платформах виртуализации.
В исследовании анализируются подходы к предсказанию временных показателей работы сетевых сервисов. Методы основываются на данных их эксплуатации в текущей инфраструктуре, а также учитывают актуальное и прогнозируемое состояние аппаратных и программных ресурсов.
Среди рассмотренных решений — модели машинного обучения, включая случайный лес, многослойные перцептроны и сверточные нейронные сети.
A l i A s g h a r R a h m a n i a n, M o s t a f a G h o b a e i - A r a n i, S a j j a d To f i g h y. Federated Learning for Performance Prediction in Multi Operator Environments [Электронный ресурс]. URL: https://doi.org/10.1016/j.future.2017.09.049 (дата обращения 08.11.2023)
Slurm Support and Development|SHEDMD. The SLURM Company [Электронный ресурс]. URL: https://www.schedmd.com (дата обращения 11.04.2024)
Data Traces from a Data Center testbed — Kaggle [Электронный ресурс]. URL: https://www.kaggle.com/datasets/jaliltaghia/data-traces-from-a-data-center-testbed (дата обращения 11.09.2023)
Ya n g g r a t o k e R., A h m e d J., A r d e l i u s J., F l i n t a C., J o h n s s o n A., G i l l b l a d D., S t a d l e r R. A service-agnostic method for predicting service metrics in real time // International Journal of Network Management. 2018;28:e1991 [Электронный ресурс]. URL: https://doi.org/10.1002/nem.1991 (дата обращения 14.05.2025)
Ya n g g r a t o k e R., A h m e d J., A r d e l i u s J., F l i n t a C., J o h n s s o n A., G i l l b l a d D., S t a d l e r R. Predicting service metrics for cluster-based services using real-time analytics // 11th International Conference on Network and Service Management (CNSM). Barcelona, Spain, 2015. P. 135–143.
B i s h o p C. M. Pattern Recognition and Machine Learning. Springer Science+Business Media, 2006.
С а й ф у т д и н о в Р. А. Исследование алгоритмов уменьшения размерности данных для задачи классификации. СПб.: Изд-во СПбГУ, 2014.
Tensor Train Toolbox [Электронный ресурс]. URL: https://github.com/oseledets/TT-toolbox (дата обращения 20.05.2024)
