В статье представлен подход прогнозирования нагрузки на микросервисную систему, объединяющий методы анализа временных рядов ARIMA и вероятностный вывод в байесовских сетях. Он позволяет учитывать как шаблоны нагрузки на отдельные микросервисы во времени, так и структурные зависимости между этими микросервисами. Представленный подход состоит из двух этапов: на первом этапе ARIMA-модели строят независимые прогнозы для каждого микросервиса, а на втором этапе байесовская сеть корректирует полученные прогнозы с учетом зависимостей между микросервисами и распространения нагрузки от сервиса к сервису. Итоговый прогноз состоит из взвешенных результатов обоих этапов. Кроме того, предусмотрен критерий обнаружения аномальной нагрузки, благодаря которому система прогнозирования способна реагировать на нее, изменяя веса и другие параметры алгоритма. Проводится экспериментальная проверка программной реализации подхода на данных реальных систем. Результаты сравниваются, в первую очередь, с изолированным применением ARIMA и с применением Long-Short Term Memory (LSTM) сетей для той же задачи. Алгоритм показывает себя перспективным к применению в задаче прогнозирования нагрузки.
1. Груничев Ю.А., Коняшкин Р.А. Облачные вычисления и их влияние на архитектуру современных информационных систем. Парадигма. 2026;(1-1):85–89.
2. Box G.E.P., Jenkins G.M., Reinsel G.C., Ljung G.M. Time Series Analysis: Forecasting and Control. Hoboken: John Wiley & Sons; 2015. 720 p.
3. Сахаров Д.В., Гельфанд А.М., Казанцев А.А., Пестов И.Е. Использование математических методов прогнозирования для оценки нагрузки на вычислительную мощность IoT-сети. Вестник Санкт-Петербургского университета Государственной противопожарной службы МЧС России. 2020;(2):86–94.
4. Cleveland R.B., Cleveland W.S., McRae J.E., Terpenning I. STL: A seasonal-trend decomposition procedure based on loess. Journal of Official Statistics. 1990;6(1):3–73.
5. Hochreiter S., Schmidhuber J. Long Short-Term Memory. Neural Computation. 1997;9(8):1735–1780. https://doi.org/10.1162/neco.1997.9.8.1735
6. Breiman L. Random forests. Machine Learning. 2001;45(1):5–32. https://doi.org/10.1023/A:1010933404324
7. Friedman J.H. Greedy function approximation: A gradient boosting machine. Annals of Statistics. 2001;29(5):1189–1232. https://doi.org/10.1214/aos/1013203451
8. Терехин М.А., Иващенко А.В., Кулаков Г.А. Концептуальный подход к интеграции искусственного интеллекта в инженерную деятельность. Моделирование, оптимизация и информационные технологии. 2025;13(2). https://doi.org/10.26102/2310-6018/2025.49.2.031
9. Rabiner L.R. A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE. 1989;77(2):257–286. https://doi.org/10.1109/5.18626
10. Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. Cambridge: MIT Press; 2009. 1270 p.
Четвертухин Виктор Романович
ORCID |
Белгородский государственный технологический университет им. В.Г. Шухова
Белгород, Российская Федерация
