Разработка гибридной модели глубокого обучения для прогнозирования рабочей нагрузки в виртуализированных центрах обработки данных

Актуальность исследования обусловлена необходимостью решения задачи проактивного управления рабочей нагрузкой центров обработки данных, базирующихся на технологиях виртуальных машин и контейнеризации приложений. Решение подобной задачи связано с анализом ретроспективных данных рабочей нагрузки, консолидированных в виде временных рядов по используемым за заданный период времени вычислительным ресурсам, таким как загруженность пулов процессоров и оперативной памяти и сохраняемых подсистемой мониторинга ресурсов службы администрирования центра обработки данных. В связи с этим работа направлена на исследование методов и технологий машинного обучения, поддерживающих решение задачи прогнозирования временных рядов. В статье делается обобщение особенностей моделей машинного обучения, основанных на статистических подходах и принципах глубокого обучения. Рассматриваются структурные и функциональные компоненты вариантов нейронных сетей, специализированных на анализе зависимостей во временных рядах и решении задач их прогнозирования. В качестве предлагаемого решения представлена гибридная схема системы глубокого обучения, основанная на последовательном применении каскадов одномерных сверточных нейронных сетей и двунаправленных сетей с долгой краткосрочной памятью. Предлагаются подходы к выбору их структурно-параметрических характеристик. Приводятся результаты сравнительной экспериментальной оценки предлагаемого решения с реализацией системы прогнозирования рабочей нагрузки, основанной на методах статистического прогнозирования.

1. Shen L., Qian Sh., Zhai T., Li L., Li Zh. Research on Cloud Computing High-Density Data Center Infrastructure and Environment Matching Technology. In: 2020 2nd International Conference on Computer Science Communication and Network Security (CSCNS2020): MATEC Web of Conferences: Volume 336, 22–23 December 2020, Sanya, China. EDP Sciences; 2012. https://doi.org/10.1051/matecconf/202133602028

2. Uddin M., Rahman A.A., Shah A., Memon J. Virtualization Implementation Approach for Data Centers to Maximize Performance. Asian Journal of Scientific Research. 2012;5(2):45–57. https://doi.org/10.3923/ajsr.2012.45.57

3. Cox-Fuenzalida L.-E. Effect of Workload History on Task Performance. Human Factors: The Journal of the Human Factors and Ergonomics Society. 2007;49(2):277–291. https://doi.org/10.1518/001872007X312496

4. Tran V.G., Debusschere V., Bacha S. Hourly Server Workload Forecasting up to 168 Hours Ahead Using Seasonal ARIMA Model. In: 2012 IEEE International Conference on Industrial Technology, 19–21 March 2012, Athens, Greece. IEEE; 2012. P. 1127–1131. https://doi.org/10.1109/ICIT.2012.6210091

5. Sun Q., Tan Zh., Zhou X. Workload Prediction of Cloud Computing Based on SVM and BP Neural Networks. Journal of Intelligent & Fuzzy Systems: Applications in Engineering and Technology. 2020;39(3):2861–2867. https://doi.org/10.3233/JIFS-191266

6. Nguyen H.M., Kalra G., Kim D. Host Load Prediction in Cloud Computing Using Long Short-Term Memory Encoder-Decoder. The Journal of Supercomputing. 2019;75(11):7592–7605. https://doi.org/10.1007/s11227-019-02967-7

7. Пашшоев Б., Петрусевич Д.А. Анализ нейросетевых моделей для прогнозирования временных рядов. Russian Technological Journal. 2024;12(4):106–116. https://doi.org/10.32362/2500-316X-2024-12-4-106-116

8. Mitiche I., Nesbitt A., Conner S., Boreham Ph., Morison G. 1D-CNN Based Real-Time Fault Detection System for Power Asset Diagnostics. IET Generation, Transmission & Distribution. 2020;14(24):5766–5773. https://doi.org/10.1049/iet-gtd.2020.0773

9. Wibawa A.P., Fadhilla A.F., Paramarta A.Kh.I., et al. Bidirectional Long Short-Term Memory (Bi-LSTM) Hourly Energy Forecasting. In: International Conference on Computer Science Electronics and Information (ICCSEI 2023): E3S Web of Conferences, Volume 501, 12–13 December 2023, Yogyakarta, Indonesia. EDP Sciences; 2024. https://doi.org/10.1051/e3sconf/202450101023

10. Ban Y., Zhang D., He Q., Shen Q. APSO-CNN-SE: An Adaptive Convolutional Neural Network Approach for IoT Intrusion Detection. Computers, Materials and Continua. 2024;81(1):567–601. https://doi.org/10.32604/cmc.2024.055007

11. Rasheduzzaman M., Islam A., Rahman R.M. Workload Prediction on Google Cluster Trace. International Journal of Grid and High Performance Computing. 2014;6(3):34–52. https://doi.org/10.4018/ijghpc.2014070103

12. Almalchy M.T., Ciobanu V., Popescu N. Noise Removal from ECG Signal Based on Filtering Techniques. In: 2019 22nd International Conference on Control Systems and Computer Science (CSCS), 28–30 May 2019, Bucharest, Romania. IEEE; 2019. P. 176–181. https://doi.org/10.1109/CSCS.2019.00037