Детальная информация

Работа посвящена реализации средств прогнозирования ресурсов облачных вычислений. Задачи, которые решались в ходе выполнения:  1. Проведение анализа выбранных данных. 2. Изучение существующих подходов к прогнозированию ресурсов для облачных вычислений и выбор наиболее подходящих. 3. Выбор целевой метрики.  4. Реализация средств прогнозирования.  5. Проведение тестирования разработанных средств. При выполнении работы был проведен анализ набора данных. В работе проведено исследование существующих способов решения и оценивания за дач прогнозирования ресурсов для облачных вычислений. Выполнена реализация несколько моделей. Модели протестированы, и лучшие из них были собраны в ансамбли с целью улучшения качества предсказания. Выбранные средства прогнозирования были протестированы и испытаны. Результаты испытаний показали низкие значения ошибок предсказаний (ошибки варьировались в диапазоне от 5% до 15%). Реализованные средства могут применяться компаниями, предоставляющим ресурсы пользователям через интернет. Работа над разрабатываемыми средствами велась в Google Collab на языке Python 3.12. Данные, которые хранились в формате “csv” файлов, брались с диска, подключенного к среде.

The work is devoted to the implementation of cloud computing resource forecasting tools. The tasks that were solved during the implementation: 1. Analysis of the selected data. 2. Study of existing approaches to resource forecasting for cloud computing and selection of the most suitable. 3. Selection of the target metric. 4. Implementation of forecasting tools. 5. Testing of the developed tools. During the work, the data set was analyzed, processed, target features of the data set were identified and prepared for the training process. The work studied existing methods for solving and evaluating resource forecasting problems for cloud computing. Several models were implemented. The models were tested, and the best of them were collected into ensembles in order to improve the quality of the forecast. The selected forecasting tools were tested and tested. The test results showed low values of prediction errors (errors varied in the range from 5% to 15%). The implemented tools can be used by companies providing resources to users via the Internet. The work on the developed tools was carried out in Google Collaborate in Python 3.12. The data, which was stored in the format of “csv” files, was taken from a disk connected to the environment.