Details

Работа посвящена разработке адаптивного алгоритма размещения виртуальных машин в облачной среде с учётом краткосрочного прогноза нагрузки. Целью исследования стало создание средств, способных повышать стабильность кластера и снижать вероятность перегрузок за счёт упреждающего принятия решений на основе прогнозов загрузки CPU и RAM. В ходе работы были изучены существующие подходы распределения ресурсов и реализован собственный скоринговый алгоритм, оценивающий пригодность узлов по совокупности метрик, включая текущие и прогнозные значения. Взаимодействие компонентов осуществляется с помощью REST API. Для симуляции поведения облачной инфраструктуры средства используют платформу моделирования CloudSim. В качестве хранилища временных метрик и прогнозов применяется СУБД InfluxDB. Механизм динамического перераспределения реализован на базе Celery. В процессе тестирования зафиксировано увеличение средней загрузки CPU на 12–14% и снижение доли перегруженных узлов с 10–15% до 2%. Дисперсия загрузки CPU уменьшилась более чем в 2,5 раза. Среднее время размещения заявки не превышало 150 мс при нагрузке до 5000 ВМ и 500 узлов. Разработанные средства превосходят классические подходы по равномерности, устойчивости и предсказуемости поведения, обладают гибкой архитектурой и могут применяться в SLA-ориентированных, образовательных и исследовательских системах.

This work focuses on the development of an adaptive algorithm for virtual machine placement in cloud environments, taking into account short-term load forecasting. The objective of the study was to design a set of tools that enhance cluster stability and reduce the risk of overloads through proactive decision-making based on predicted CPU and RAM utilization. Existing resource allocation approaches were analyzed, and a custom scoring algorithm was implemented to evaluate the suitability of physical nodes based on a combination of current and predicted metrics. Component interaction is implemented via REST API. The CloudSim platform is used for simulating cloud infrastructure behavior, and InfluxDB serves as the time-series database for metrics and forecasts. A dynamic reallocation mechanism was implemented using Celery. Testing showed a 12–14% increase in average CPU utilization and a reduction in overloaded nodes from 10–15% to 2%. CPU load variance was reduced by more than 2.5 times. The average placement time remained below 150 ms under loads of up to 5000 VMs and 500 physical servers. The developed tools outperform traditional approaches in terms of load balancing, stability, and predictability. Their flexible architecture makes them suitable for SLA-sensitive, educational, and research-oriented cloud system.