ПРОГНОЗУВАННЯ НАВАНТАЖЕННЯ HIGH-LOAD СИСТЕМ

Автор(и)

  • O. A. Zhukovska Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0003-1110-9696
  • R. V. Shperlov Національний технічний університет України «Київський політехнічний інститут імені Ігоря Сікорського» https://orcid.org/0000-0003-2430-1011

Анотація

У статті  проведено аналітико-прогностичне моделювання завантаженості інформаційної системи, що в метричному виразі базується на кількості запитів до системи в секунду. Досліджені статистичні дані показника кількості запитів до системи дозволяють знаходити закономірності минулого та прогнозувати подальший вектор розвитку. Актуальність даного дослідження є пріоритетним напрямом в IT-індустрії, адже масштабність інформаційних систем навіть малих компаній є настільки громісткою, що затрати на їх утримання становлять велику долю доходу компаній. Зазначено, що однією значною причиною актуальності є світова криза, спровокована пандемією Covid-19. Саме вона посприяла пошуку нових методів збуту товарів з урахуванням соціальної дистанції та зменшення фінансових втрат. В зв’язку із цим більшість продуктових компаній переводять свій бізнес у віртуальний світ, створюючи неабиякий попит формування власних IT-інфраструктур. Наявність прогнозованих значень забезпечує впевненість бізнесу в стабільності їх продукту чи технології, що напряму впливає на собівартість реалізованого програмного коду та майбутній отриманий дохід. Своєчасність виявлення пікових навантажень або ж навпаки – просідань в системі, допомагають запобігти принципу «карткового домику», та захистити залежні родинні процеси в компанії. Довгострокове бачення руху часового ряду забезпечує компанії можливість підготовки до інфраструктурних змін та надає певний період часу для оновлення технічної бази чи розширення можливостей їх «Cloud Services». З цією метою на основі статистичних даних був побудований прогноз на основі інтегрованого ковзного середнього або ж ARIMA-моделі, проведено статистичне виявлення тренду шляхом аналізу автокореляційних функцій. Було прийнято рішення щодо групування  даних відповідно пори доби для збільшення прогнозованих періодів та більшої точності прогнозу моделі. Проаналізовано  автокореляційну та часткову автокореляційну функції для часового ряду послідовних різниць для виявлення AR- та MA-процесів. На основі аналізу значущості останніх ненульових лагів побудовано декілька кандидатних моделей для кожного групованого ряду. Кожна модель була провірена на подібність залишків «білому шуму» та нормальності розподілу коефіцієнтів. Зведені прогнози були порівняні та оцінені для виявлення найменшої відсоткової похибки. Було оцінено вартість заощаджень для прогнозованого періоду. На основі цих даних був зроблений висновок, щодо важливості проведення даних досліджень із використанням таких методів прогнозу та аналізу даних для різних векторів діяльності IT-компанії.

##submission.downloads##

Опубліковано

2021-05-12

Номер

Розділ

Економіко-математичне моделювання бізнесових процесів