Материал: Оптимизация и моделирование в автоматизированных системах. труд. ФГБОУ В.О., Воронежский г.т.и

этом имеется возможность связать повторное использование с франчайзинговым договором, который будет регулировать платежи авторам материала на основе учета объема использования их интеллектуальной собственности.

6. Прием платежей от студентов через блокчейн.

В соответствии с этим сценарием студенты будут предоставлять платежи за обучение через блокчейн - криптовалютой.

7. Предоставление студенческого финансирования через блокчейн. Присвоение грантов, контроль стипендиатов и др. действия с выплатой

денежных сумм студентам могут быть контролируемы с помощью блокчейн. Система может функционировать через так называемые ваучеры. Они, в свою очередь, могут быть запрограммированы в соответствии с условиями выплат, количеством транзакций их стоимостью.

8. Использование проверенных суверенных удостоверений личности для идентификации учащихся в образовательных организациях.

После того, как студенты поделятся своими личными данными св приемной комиссии образовательной организации, они получат цифровое «удостоверение личности». Использование биометрической идентификации на смартфонах, в сочетании с этими удостоверениями позволит идентифицировать обучающегося в любом подразделении организации, например, в библиотеке, в спортзале, в буфете, студенческом общежитии и др. Каждая из этих служб сможет определять студентов, не запрашивая и не храня персональные данные.

Эти практики могут быть внедрены уже сейчас в ведущие вузы страны. Однако инновации такого рода должны внедряться во все инстанции, чтобы эффект от их внедрения был максимальным.

Литература

1. Grech, Alexander; Camilleri, Anthony F.: Blockchain in Education. Luxembourg: Publications Office of the European Union 2017, 132 S. – (JRC Science for Policy Report) – URN: urn:nbn:de:0111-pedocs-150132

Санкт-Петербургский государственный университет телекоммуникаций им. проф. М. А. Бонч-Бруевича

35

УДК 004.02

К. А. Маковий, Ю. В. Хицкова, Я. В. Метелкин

ИСПОЛЬЗОВАНИЕ ВРЕМЕННЫХ РЯДОВ В ЗАДАЧЕ ПРОГНОЗИРОВАНИЯ НАГРУЗКИ В ЦЕНТРАХ ОБРАБОТКИ ДАННЫХ

В крупномасштабных центрах обработки данных, доставляющих ИТресурсы по требованию в рамках облачных вычислений, управление аппаратными средствами, которое заключается в организации и распределении их для вычислительных операций и приложений, имеет решающее значение для обеспечения эффективной работы, а также минимизации денежных затрат на обновление и сопровождение инфраструктуры.

Один из способов предоставления услуг облачным центром обработки данных является технология виртуализации (VDI). Среди преимуществ VDI можно выделить: простоту управления, мобильность вычислений, гибкость, защиту данных и снижение общих затрат на сопровождение. Однако, внедрение данной технологии требует значительных финансовых затрат на первоначальном этапе, и существует два направления исследований оптимизации виртуальной инфраструктуры: минимизация финансовых затрат и повышение экологичности (концепция Green Computing) [1].

Возможность масштабирования вычислительных ресурсов позволяет снизить риск избыточного выделения вычислительных мощностей, потери ресурсов в часы, не являющиеся пиковыми, а также снижает риск недостаточного выделения ресурсов, что привело бы к отказу в предоставлении услуг пользователям.

Существует два подхода к решению задачи оптимального использование аппаратных ресурсов: статический и динамический. Статический подход, как правило, сводится к решению задачи линейного программирования [2, 3]. Данный метод разумно применять в тех случаях, когда нагрузка на сервер и количество виртуальных машин, которое необходимо разместить заранее, известны, и не меняются со временем. Динамический подход к решению задачи оптимальной серверной консолидации [4] основан на поддержке гипервизорами технологии динамической миграции, которая позволяет перемещать виртуальные машины без их прерывания. Данный процесс требует больших накладных расходов, поэтому в настоящее время набирает популярность направление, объединяющее сильные стороны статического подхода и возможности динамического – прогностический. Данный подход заключается в прогнозировании рабочей нагрузки, включающей в себя определение количества ресурсов, выделяемых для каждого типа виртуальных машин в будущем на основе исторических данных.

36

Нами предлагается механизм, позволяющий превентивно выделять аппаратные ресурсы, отключать платформы, использование которых не планируется, выбирать сервер для размещения виртуальной машины.

Мы рассматриваем прогнозирование нагрузки в рамках обеспечения работы VDI в образовании. Особенностью данной предметной области является возможность выделить несколько типов пользователей с известными требованиями к ресурсам и цикличность нагрузки на ЦОД, обеспечивающий работу ВУЗа, что обусловливается наличием расписания учебных занятий. Таким образом, отслеживание рабочей нагрузки за определенные интервалы времени позволяет надежно прогнозировать потребность в ресурсах путем применения временных рядов.

Временной ряд представляет собой набор наблюдений, упорядоченных по времени, обычно с интервалами фиксированной длины [5]. На первом этапе происходит обучение с помощью исторических данных. Затем, обученная модель позволяет рассчитать распределения вероятностей для будущего значения. Ожидаемое значение распределения используется в качестве прогнозируемого значения. Ряд из нескольких предсказанных значений называется горизонтом прогноза.

Можно выделить следующие модели прогнозирования рабочих нагрузок в центрах обработки данных: авторегрессия, скользящее среднее, двойное экспоненциальное сглаживание, нейронные сети.

Модель авторегрессии (AR) - модель авторегрессии первого порядка, которая представляет собой линейную регрессию текущего значения ряда относительно предыдущего значения ряда:

где с – константа, θ [-1; 1]- параметр модели, εt - белый шум.

Модель скользящего среднего (MA). Модель скользящего среднего первого порядка можно рассматривать как линейную регрессию текущего значения ряда на фоне белого шума или случайных отклонений одного или нескольких предыдущих значений ряда:

(3)

ǡ

где α [0; 1], γ [-1; 1] – константы сглаживания.

37

Первое уравнение сглаживания подстраивается под тренд предыдущего периода bt. Затем второе уравнение обновляет тренд, который выражается как разница между двумя последними значениями.

Для прогнозирования значений используется следующее уравнение:

Нами предлагается более гибкий метод - использование нейронной сети (НС). Последний время набирают популярность алгоритмы, моделирующие принципы организации, функции и свойства структур живой природы, например, генетические алгоритмы, муравьиные алгоритмы, искусственные иммунные системы, нейронные сети [6].

Нейронная сеть состоит из соединенных «нейронов», которые принимают входные значения и производят один или несколько выходов в зависимости от количества нейронов. Нейроны сгруппированы в слои и соединены так, что выходы одного слоя поступают на входы следующего. Связи между каждым нейроном имеют ассоциированное значение веса. На каждом уровне входные значения объединяются узлом с использованием функции активации для создания выходных данных, которые распространяются на следующий слой. Параметры в функциях агрегирования и весах определяются на этапе обучения.

НС позволяет точно прогнозировать данные нелинейных временных рядов. Процент загрузки сервера на каждом последующем шаге, зависит от объема задействованных аппаратных ресурсов на предыдущем, поэтому предлагается использование сети NARX – модели временных рядов, в которой значения временного ряда в данный момент зависят от предыдущих значений этого же ряда.

Определяющее уравнение для такого типа нейронных сетей:

ݕ ݐ ݕ ݐ ǡǥǡݕ ݐ ݕ ǡݑ ݐ ǡǥǡݑ ݐ ݑ ,

где y'(t) - прогнозируемое значение y(t), dy и du представляют входную и выходную временную задержку соответственно. Модель NARX обеспечивает лучший прогноз, чем другие модели НС, поскольку она использует дополнительную информацию, содержащуюся в предыдущих значениях u(t).

В качестве обучающей выборки в рамках данной работы нами был использван набор данных, содержащий трассировку нагурзки GWA-T-12 Bitbrains [7] – поставщике услуг, который специализируется на предоставлении услуг по облачным вычислениям. Набор данных состоит из трассировки нагрузки 1250 виртуальных машин, размещенных в центрах обработки данных Bitbrains и сохранен в csv-файлах. Каждый файл содержит записи по истории нагрузки примерно за 43 минуты. Поскольку наша цель – это предсказание использование аппаратных ресурсов ЦОДа в будущем, необходимо провести предварительную обработку данных. Нагрузка меняется достаточно

38

динамично, поэтому нами принято решение выделить несколько классов нагрузки в соответствии с процентом загрузки c шагом в 5: например, 0 - 5% – 0 класс, 5 -10% – 1 класс и т.д., и цель предсказания – определить класс нагрузки

вмомент времени.

Вкачестве метрики для оценки работоспособности модели прогнозирования используется среднеквадратическая ошибка:

где n – длина ряда, X – предсказываемые значения ряда.

Обучение происходит до того момента, пока значение среднеквадратической ошибки не достигнет заданного.

Таким образом, прогнозирование нагрузки в облачных и кластерных средах является важной задачей для достижения высокой производительности, так как от ее эффективного решения зависит множество процессов, таких как планирование ресурсов, периодичность обслуживания и модернизации, следование концепции Green Computing путем отключения невостребованных серверов. Проведенное исследование показывает, что нейросетевой подход может быть успешно использован для прогнозирования нагрузки на сервер.

Литература

1.Mi H., Wang H., Yin G., Zhou Y., Shi D., Yuan L., Online selfreconfiguration with performance guarantee for energy-efficient large-scale cloud computing data centers/ H. Mi, H. Wang, G. Yin, Y. Zhou, D. Shi, L. Yuan // Proceedings of the IEEE International Conference on Services Computing. – 2010. – P. 514-521.

2.K. Makoviy, D. Proskurin, Yu. Khitskova, Ya. Metelkin. Server hardware resources optimization for virtual desktop infrastructure implementation // CEUR Workshop Proceedings - Mathematical Modeling. Information Technology and Nanotechnology 2017. Proceedings of the International Conference Information Technology and Nanotechnology, Samara, Russia, April 25-27, 2017. Vol. 1904. P. 178-183. - DOI: 10.18287/1613-0073-2017-1904-178-183.

3.Маковий К. А., Хицкова Ю. В., Метелкин Я. В. Подход к оптимизации

серверных ресурсов с использованием прогнозирования нагрузки // Информационные технологии в строительных, социальных и экономических системах. – 2018. . – № 4 (14). - С. 75-81.

4. Wolke A., Tsend-Ayush B., Pfeiffer C., and Bichler M. More than bin packing: On dynamic resource allocation strategies in cloud computing / Andreas Wolke, Boldbaatar Tsend-Ayush, Carl Pfeiffer, Martin Bichler // Information Systems. 2015. №52 pp. 83–95.

39