Поддержка принятия решений по управлению вычислительными ресурсами программных сервисов на основе временных рядов

В работе рассматривается задача оценки текущей потребности микросервиса в вычислительных ресурсах на основе данных мониторинга, представляемых в виде временных рядов, результаты которой затем могут быть использованы в процессе принятия решений по выделению вычислительных ресурсов. Под потребностью понимается требуемая интенсивность потребления наиболее востребованного вычислительного ресурса, обеспечивающая обработку поступающих задач при заданном окне дискретизации. Предлагается практический алгоритм, включающий: выбор информативных метрик с применением корреляционного анализа; синхронизацию, нормализацию и приведение метрик к единой дискретной шкале; очистку телеметрии от выбросов, квантования и пропусков с восстановлением значений; обнаружение точек разладки и сегментацию на режимы работы; формирование базовой линии потребления и восстановление ряда потребности r(t). Для построения r(t) рассматриваются два семейства методов. В бесклассовой постановке оценивается удельная ресурсоемкость запроса по расходу ресурса и счетчикам входящих/обработанных задач, вводится экспоненциальное сглаживание, а параметры сглаживания адаптируются при смене режимов. В классовой постановке вводится разбиение запросов по типам и решается регрессионная задача для оценивания стоимостей классов с использованием NNLS и онлайн-RLS с фактором забывания. Приводится методика экспериментальной проверки на воспроизводимом микросервисном стенде с контролируемыми сценариями нагрузки, сравнением точности относительно эталонного расхода и оценкой вычислительных затрат, что делает результаты применимыми для мониторинга и масштабирования.

1. Chen L., Yang X., Sun H., Yu X., Zhi K. Dependent task offloading in multi-access edge computing: A GCN augmented deep reinforcement learning approach. Computer Networks. 2025;269:111445. https://doi.org/10.1016/j.comnet.2025.111445

2. Ni Zh., Chen H., Xue H., Li Zh., Chen N., Yu J. Joint optimization of service placement, task offloading and resource allocation for dependent subtasks in hierarchical edge computing systems. Computer Networks. 2025;275:111896. https://doi.org/10.1016/j.comnet.2025.111896

3. Mytton D., Ashtine M.I. Sources of data center energy estimates: A comprehensive review. Joule. 2022;6(9):2032–2056. https://doi.org/10.1016/j.joule.2022.07.011

4. Ahmad H., Treude Ch., Wagner M., Szabo C. Towards resource-efficient reactive and proactive auto-scaling for microservice architectures. Journal of Systems and Software. 2025;225(9):112390. https://doi.org/10.1016/j.jss.2025.112390

5. Turin G., Borgarelli A., Donetti S., Damiani F., Johnsen E.B., Tapia Tarifa S.L. Predicting resource consumption of Kubernetes container systems using resource models. Journal of Systems and Software. 2023;203(4):111750. https://doi.org/10.1016/j.jss.2023.111750

6. Park J., Choi B., Lee Ch., Han D. Graph Neural Network-Based SLO-Aware Proactive Resource Autoscaling Framework for Microservices. IEEE/ACM Transactions on Networking. 2024;32(4):3331–3346. https://doi.org/10.1109/TNET.2024.3393427

7. Tawakuli A., Havers B., Gulisano V., Kaiser D., Engel Th. Survey: Time-series data preprocessing: A survey and an empirical analysis. Journal of Engineering Research. 2025;13(2):674–711. https://doi.org/10.1016/j.jer.2024.02.018

8. Blázquez-García A., Conde A., Mori U., Lozano J.A. A Review on Outlier/Anomaly Detection in Time Series Data. ACM Computing Surveys. 2021;54(3):56. https://doi.org/10.1145/3444690

9. Gupta M., Wadhvani R., Rasool A. Comprehensive analysis of change-point dynamics detection in time series data: A review. Expert Systems with Applications. 2024;248(2):123342. https://doi.org/10.1016/j.eswa.2024.123342

10. Grohmann J., Eismann S., Bauer A., et al. SARDE: A Framework for Continuous and Self-Adaptive Resource Demand Estimation. ACM Transactions on Autonomous and Adaptive Systems. 2021;15(2):6. https://doi.org/10.1145/3463369

11. Tzanettis I., Androna Ch.-M., Zafeiropoulos A., Fotopoulou E., Papavassiliou S. Data Fusion of Observability Signals for Assisting Orchestration of Distributed Applications. Sensors. 2022;22(5):2061. https://doi.org/10.3390/s22052061

12. Li B., Peng X., Xiang Q., et al. Enjoy your observability: An industrial survey of microservice tracing and analysis. Empirical Software Engineering. 2022;27(1):25. https://doi.org/10.1007/s10664-021-10063-9

13. Воронцов Ю.А. Сокращение размерности множества метрик мониторинга для оценки состояния вычислительных систем. Научно-технический вестник Поволжья. 2025;(5):218–223.

14. Usman M., Ferlin S., Brunstrom A., Taheri J. A Survey on Observability of Distributed Edge & Container-Based Microservices. IEEE Access. 2022;10:86904–86919. https://doi.org/10.1109/ACCESS.2022.3193102

15. Cai B., Wang B., Yang M., Guo Q. AutoMan: Resource-efficient provisioning with tail latency guarantees for microservices. Future Generation Computer Systems. 2023;143(3):61–75. https://doi.org/10.1016/j.future.2023.01.014

16. Cabrieto J., Meers K., Schat E., et al. kcpRS: An R Package for Performing Kernel Change Point Detection on the Running Statistics of Multivariate Time Series. Behavior Research Methods. 2022;54(3):1092–1113. https://doi.org/10.3758/s13428-021-01603-8

17. Li Zh., Cao J. Automatic search intervals for the smoothing parameter in penalized splines. Statistics and Computing. 2023;33(1):1. https://doi.org/10.1007/s11222-022-10178-z

18. Филаретов Г.Ф., Бучаала З. Разработка алгоритмов обнаружения разладки временных рядов на основе непараметрических критериев проверки гипотез. Вестник МЭИ. 2021;(3):67–77. https://doi.org/10.24160/1993-6982-2021-3-67-77

19. Aue A., Kirch C. The state of cumulative sum sequential changepoint testing 70 years after Page. Biometrika. 2024;111(2):367–391. https://doi.org/10.1093/biomet/asad079

20. Sholihat S.S., Indratno S.W., Mukhaiyar U. The role of parameters in Bayesian Online ChangePoint Detection: detecting early warning of mount Merapi eruptions. Heliyon. 2021;7(7):e07482. https://doi.org/10.1016/j.heliyon.2021.e07482

21. Loughman M., Barton S., Farrell R., Dooley J. Early Stopping Criterion for Recursive Least Squares Training of Behavioural Models. Wireless Personal Communications. 2022;126(2):1633–1648. https://doi.org/10.1007/s11277-022-09813-9

22. Zhu K., Yu Ch., Wan Y. Recursive Least Squares Identification With Variable-Direction Forgetting via Oblique Projection Decomposition. IEEE/CAA Journal of Automatica Sinica. 2022;9(3):547–555. https://doi.org/10.1109/JAS.2021.1004362