ФОРМАЛІЗАЦІЯ ВИМОГ ДО ІНТЕЛЕКТУАЛЬНИХ СИСТЕМ ПІДТРИМКИ УХВАЛЕННЯ РІШЕНЬ У ЗАДАЧАХ ОПТИМІЗАЦІЇ ХМАРНИХ РЕСУРСІВ

Анотація

У контексті сучасних хмарних обчислювальних середовищ зростає необхідність впровадження автоматизованих механізмів управління ресурсами з метою забезпечення належного рівня продуктивності та оптимізації витрат. Інтелектуальні системи підтримки прийняття рішень виступають ключовим компонентом таких механізмів, оскільки забезпечують аналіз динамічних метрик і прогнозування змін навантаження для адаптивного масштабування.Мета. Розробка формальної моделі вимог до інтелектуальних систем підтримки прийняття рішень у задачах оптимізації ресурсів хмарної інфраструктури.Методологія. У межах дослідження здійснено аналіз існуючих підходів до автоскейлінгу та інтелектуальних рішень для керування хмарними середовищами. Застосовано методи системного аналізу для виокремлення категорій вимог та побудови онтологічної моделі, яка включає такі сутності: CloudResource, MonitoringAgent, MLModel, ScalingPolicy та DecisionRecord. Експериментальна валідація виконана шляхом реалізації прототипу в середовищі Kubernetes із застосуванням Prometheus для збору метрик. Наукова новизна. Наукова новизна роботи полягає у комплексній формалізації вимог до інтелектуальних систем підтримки прийняття рішень з урахуванням як функціональних, так і нефункціональних аспектів. Зокрема, до функціональних вимог віднесено моніторинг різнорідних метрик, механізми прогнозування, генерацію рекомендацій щодо масштабування та аудит ухвалених рішень.Висновки. Отримані результати свідчать, що формалізація вимог є необхідною умовою створення надійних і прозорих інтелектуальних систем автоскейлінгу в хмарних середовищах. Запропонована модель забезпечує ефективний баланс між продуктивністю та витратами на інфраструктуру, сприяючи оптимальному використанню ресурсів без погіршення якості обслуговування. У перспективі доцільно розширити онтологію для мультихмарних і безсерверних сценаріїв, розробити методи оперативного оновлення моделей (Concept Drift) та вдосконалити механізми Explainable AI для забезпечення більш прозорого обґрунтування рекомендацій.