Метод линейной аппроксимации временных параметров в эластичных системах

Мартынчук И.Г., Жмылёв С.А. Метод линейной аппроксимации временных параметров в эластичных системах // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23, № 3. С. 547–552. doi: 10.17586/2226-1494-2023-23-3-547-552

Введение. В современных эластичных системах важной задачей является прогнозирование изменений в нагрузочной процессах. Оценка скорости изменения нагрузки помогает заблаговременно адаптировать структуру системы для сохранения качества обслуживания пользователей. В современных решениях мало внимания уделено анализу скорости изменения нагрузки, которая напрямую влияет на то, насколько заранее необходимо включать или выключать узлы из вычислительного процесса. В большинстве случаев данные интервалы запуска задаются заранее установленными эмпирическими значениями. Для определения скорости изменения нагрузочного процесса достаточно решить задачу линейной аппроксимации на промежутке возрастания или убывания функции нагрузки от времени. Существующие методы линейной аппроксимации не удовлетворяют всем требованиям, предъявляемым к окружениям эластичных систем. В связи с этим необходима разработка собственного метода аппроксимации. Метод. Упрощенный метод линейной аппроксимации основан на расчете центра масс исходного набора данных, а также среднего относительного отклонения упорядоченных точек по оси ординат друг от друга. Новизна предложенного метода заключается в одновременном константном потреблении памяти и отсутствии операций с квадратичными зависимостями. Это позволит учесть все требования, предъявляемые к функционирующим в окружениях эластичных систем методам. Основные результаты. Разработан генератор точек в двумерной плоскости для получения набора упорядоченных точек, разбросанных относительно заданной прямой. Генератор позволяет оценить точность предлагаемого метода аппроксимации относительно других методов путем расчета среднего результирующего отклонения сгенерированных точек от заданной прямой. С доверительной вероятностью 0,95 показано, что при максимальном количестве точек в исходном наборе данных, равном 10 000, снижение времени выполнения аппроксимации благодаря разработанному методу достигает 23 %. Значение среднего отклонения для разработанного метода и метода наименьших квадратов, полученное в рамках экспериментов, одинаково. Обсуждение. Полученные результаты могут быть применены в сервисах автоматического масштабирования эластичных систем с целью снижения времени выполнения прогнозов скорости изменения нагрузочных процессов. Разработанный метод, в отличие от метода наименьших квадратов, лишен недостатка, связанного с операциями с квадратичными зависимостями, что обеспечивает возможность более широкого его применения в условиях ограниченности разрядной сетки некоторых архитектур.

1. Aliev T.I., Rebezova M.I., Russ A.A. Statistical methods for monitoring travel agencies in the settlement system // Automatic Control and Computer Sciences. 2015. V. 49. N 6. P. 321–327. https://doi.org/10.3103/s0146411615060024
2. Lorido-Botran T., Miguel-Alonso J., Lozano J.A. A review of auto-scaling techniques for elastic applications in cloud environments // Journal of Grid Computing. 2014. V. 12. N 4. P. 559–592. https://doi.org/10.1007/s10723-014-9314-7
3. Nikravesh A.Y., Ajila S.A., Lung C.H. Towards an autonomic auto-scaling prediction system for cloud resource provisioning // Proc. of the IEEE/ACM 10th International Symposium on Software Engineering for Adaptive and Self-Managing Systems. 2015. P. 35–45. https://doi.org/10.1109/seams.2015.22
4. Moore L.R., Bean K., Ellahi T. Transforming reactive auto-scaling into proactive auto-scaling // Proc. of the 3rd International Workshop on Cloud Data and Platforms (CloudDP '13). 2013. P. 7–12. https://doi.org/10.1145/2460756.2460758
5. Aceto G., Botta A., de Donato W., Pescapè A. Cloud monitoring: A survey // Computer Networks. 2013. V. 57. N 9. P. 2093–2115. https://doi.org/10.1016/j.comnet.2013.04.001
6. Portnoy M. Virtualization Essentials. John Wiley & Sons, 2012. 286 p.
7. Bogatyrev V.A., Bogatyrev A.V. Functional reliability of a real-time redundant computational process in cluster architecture systems // Automatic Control and Computer Sciences. 2015. V. 49. N 1. P. 46–56. https://doi.org/10.3103/S0146411615010022
8. Bogatyrev V.A., Parshutina S.A., Poptcova N.A., Bogatyrev A.V. Efficiency of redundant service with destruction of expired and irrelevant request copies in real-time clusters // Communications in Computer and Information Science. 2016. V. 678. P. 337–348. https://doi.org/10.1007/978-3-319-51917-3_30
9. Богатырев В.А., Богатырев С.В. Резервированная передача данных через агрегированные каналы в сети реального времени // Известия вузов. Приборостроение. 2016. Т. 59. № 9. С. 735–740. https://doi.org/10.17586/0021-3454-2016-59-9-735-740
10. Remondino F. Detectors and descriptors for photogrammetric applications // International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. 2006. V. 36. N 3. P. 49–54.
11. Markovsky I., Van Huffel S. Overview of total least-squares methods // Signal Processing. 2007. V. 87. N 10. P. 2283–2302. https://doi.org/10.1016/j.sigpro.2007.04.004
12. Fischler M.A., Bolles R.C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography // Communications of the ACM. 1981. V. 24. N 6. P. 381–395. https://doi.org/10.1145/358669.358692
13. Abdi H., Williams L.J. Principal component analysis // Wiley Interdisciplinary Reviews: Computational Statistics. 2010. V. 2. N 4. P. 433–459. https://doi.org/10.1002/wics.101
14. Othman M.M., El-Mousa A. Internet of Things & Cloud Computing Internet of Things as a service approach // Proc. of the 11th International Conference on Information and Communication Systems (ICICS). 2020. P. 318–323. https://doi.org/10.1109/icics49469.2020.239503
 

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License