ВИКОРИСТАННЯ МЕТОДІВ МАШИННОГО НАВЧАННЯ ДЛЯ АВТОМАТИЗОВАНОЇ ОПТИМІЗАЦІЇ ХМАРНИХ ОБЧИСЛЕНЬ
DOI:
https://doi.org/10.32689/maup.it.2025.3.2Ключові слова:
Kubernetes, мультихмарні середовища, гібридні хмари, інтелектуальний оркестраторАнотація
Це дослідження присвячене розробці та експериментальній валідації комплексного підходу до автоматизованої оптимізації хмарних обчислень шляхом застосування методів машинного навчання.Запропоноване рішення – інтелектуальний адаптивний оркестратор – інтегрує три ключові компоненти: прогнозування робочих навантажень на основі моделей часових рядів (LSTM, Prophet), динамічне управління ресурсами за допомогою методів навчання з підкріпленням (PPO) та модуль виявлення аномалій із використанням автоенкодерів і статистичних методів.Метою статті є проєктування, впровадження та валідація інтелектуальної адаптивної оркестраційної системи, що усуває критичні обмеження традиційного управління хмарними ресурсами.Наукова новизна полягає в проекованні системи з модульною архітектурою, яка забезпечує масштабованість, відмовостійкість і гнучкість адаптації до різних бізнес-цілей через динамічне налаштування функцій винагороди агента навчання з підкріпленням, з інтеграцією з платформами оркестрації контейнерів (наприклад, Kubernetes) і підтримка мультихмарних розгортань.Висновки. У межах цього дослідження було розроблено, впроваджено та експериментально валідовано інтелектуальний оркестратор для управління хмарними ресурсами, побудований на інтеграції методів прогнозування навантажень, навчання з підкріпленням і виявлення аномалій. Експерименти, проведені як на контрольному лабораторному стенді, так і в умовах реальної промислової гібридної інфраструктури компанії SoftRequest LTD, підтвердили високу ефективність запропонованого рішення. Практична цінність підходу полягає у можливості прямої інтеграції з наявними платформами оркестрації, такими як Kubernetes, без потреби в суттєвій перебудові інфраструктури.
Посилання
Arabnejad H., Barbosa J. Predictive Reinforcement Learning-Based Autoscaler for Cloud Resource Provisioning. Journal of Grid Computing. 2020. Vol. 18, No 4. P. 761–777. (date of access: 14.09.2025).
Chen H., et al. Intelligent Autoscaling for Web Applications in the Cloud via Reinforcement Learning. IEEE Transactions on Services Computing. 2021. Vol. 14, No 5. P. 1347–1359. (date of access: 14.09.2025).
Hsu C.-H., Chung Y. (Eds.). Cloud Computing and Big Data: Technologies, Applications and Security. Springer. 2021. (date of access: 14.09.2025).
Kunal T., Singh P., Rathor S., He H. Resource Scaling for Cloud Applications Using Deep Q-Learning. Proceedings of the 2022 International Conference on Cloud Computing and Big Data Analytics (ICCCBDA). 2022. P. 39–47. (date of access: 14.09.2025).
Mao M., Humphrey M. Auto-Scaling to Minimize Cost and Meet Application Deadlines in Cloud Workflows. Proceedings of the International Conference for High Performance Computing, Networking, Storage and Analysis (SC). 2011. P. 1–12. DOI: https://doi.org/10.1145/2063384.2063449
Mao Y., Li J., Humphrey M. Cloud Auto-Scaling with Machine Learning. Proceedings of the 2018 IEEE International Parallel and Distributed Processing Symposium Workshops (IPDPSW). 2018. P. 108–117. (date of access: 14.09.2025).
Qiu T., Zhang L., Ghoneim A., Li W., Cai W. Prescience-Based Resource Scaling for Dynamic Workloads in Cloud Datacenters Using Ensemble Forecasting Techniques. Future Generation Computer Systems. 2019. Vol. 101. P. 1209–1221. (date of access: 14.09.2025).
Su X., Wen S., Su J., Wang J. Adaptive Autoscaling Mechanism Based on Deep Reinforcement Learning for Heterogeneous Cloud Services. Concurrency and Computation: Practice and Experience. 2022. Vol. 34, No 11. e6806. (date of access: 14.09.2025).
Tang Q., Narasimhan G. A Reinforcement Learning Approach to Efficient Resource Allocation in Cloud Computing. Proceedings of the 2021 IEEE International Conference on Cloud Engineering (IC2E). 2021. P. 45–54. (date of access: 14.09.2025).
Xu H., Li B. Dynamic Cloud Resource Management via Machine Learning. IEEE Transactions on Parallel and Distributed Systems. 2017. Vol. 28, No 1. P. 147–160. (date of access: 14.09.2025).
Yazdanov A., Fetzer C. Vertical Scaling for Cloud Applications. Proceedings of the 2014 IEEE 8th International Symposium on Service Oriented System Engineering (SOSE). 2014. P. 318–325. (date of access: 14.09.2025).
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
