Details

Работа посвящена разработке средств для более эффективного размещения виртуальных машин в облачной среде с учётом краткосрочного прогноза нагрузки. Цель исследования заключалась в создании системы, способной повышать устойчивость и предсказуемость поведения кластера за счёт упреждающего принятия решений. Разработанный подход продемонстрировал более высокую устойчивость и эффективность распределения ресурсов по сравнению с базовыми методами. Решение может быть полезным в системах с переменной нагрузкой, в том числе SLA-ориентированных, исследовательских и образовательных платформах. В ходе выполнения выпускной квалификационной работы были использованы следующие информационные технологии и инструменты: язык программирования Python; фреймворки FastAPI и Celery; библиотеки Pandas, NumPy, Apscheduler, Influxdb3-python, Pytest; платформа симуляции облачного датацентра CloudSim; база данных временных рядов InfluxDB; архитектурные принципы RESTful API и микросервисного подхода. Разработка велась в среде PyCharm с использованием системы контроля версий Git и платформы GitHub.

This thesis is dedicated to the development of tools for more efficient placement of virtual machines in a cloud environment, taking into account short-term load forecasting. The goal of the research was to design a system capable of increasing the stability and predictability of cluster behavior through proactive decision-making. The proposed approach has demonstrated higher resilience and more effective resource allocation compared to baseline methods. The solution can be useful in systems with variable workloads, including SLA-oriented, research, and educational platforms. During the implementation of this final qualification work, the following technologies and tools were used: the Python programming language; the FastAPI and Celery frameworks; the Pandas, NumPy, Apscheduler, Influxdb3-python, and Pytest libraries; the CloudSim simulation platform for cloud datacenters; the InfluxDB time series database; architectural principles of RESTful API and the microservice approach. Development was carried out in the PyCharm environment using Git for version control and GitHub as a collaboration platform.