Детальная информация

Выпускная квалификационная работа посвящена разработке интеллектуальной системы мониторинга нагрузки на серверы центров обработки данных, обеспечивающей проактивное прогнозирование и обнаружение аномалий на основе методов глубокого обучения. Для выполнения поставленной задачи был разработан метод прогнозирования нагрузки на основе LSTM. Для обеспечения совместимости с существующей инфраструктурой мониторинга использованы системы Prometheus и Grafana. В ходе работы спроектирована микросервисная архитектура, реализованы модули сбора и хранения метрик, разработаны LSTM-модель и комбинированный метод детекции аномалий. Разработанное программное решение обеспечивает прогнозирование нагрузки на горизонте до 6 часов со средней абсолютной процентной ошибкой 7,44%, что на 38% лучше, чем у модели ARIMA. Предлагаемый метод позволяет сократить время реакции на инциденты до одной минуты и повысить утилизацию серверов на 15–25%.

This work is devoted to the development of an intelligent monitoring system for data center server workload that provides proactive forecasting and anomaly detection based on deep learning methods. To accomplish the task, a workload forecasting method based on LSTM was developed. To ensure compatibility with existing monitoring infrastructure, Prometheus and Grafana were used as base components. In this work, a microservice architecture was designed, data collection and storage modules were implemented, and an LSTM model together with a combined anomaly detection method were developed. The developed software solution provides workload forecasting with a horizon of up to 6 hours achieving a MAPE of 7,44%, which is 38% better than the ARIMA model. The proposed method reduces incident response time to one minute and increases server utilization by 15–25%.