Details

Работа посвящена методу прогнозирования использования оперативной памяти виртуальных машин при выполнении пакетных задач в виртуализированных вычислительных средах. Актуальность исследования определяется тем, что при статическом резервировании памяти заранее выделяется определённый объём ресурса, но не учитывается временная изменчивость нагрузки, что при водит либо к риску аварийного завершения вычислений, либо к неэффективному использованию ресурсов вычислительной инфраструктуры. Цель работы заключается в повышении эффективности управления оперативной памятью за счёт перехода от статического задания ресурса к принятию решений об изменении объёма выделенной памяти на основе прогнозирования. В рамках исследования выполнен обзор статистических методов, методов машинного обучения и нейросетевых архитектур, применяемых для анализа временных рядов облачной нагрузки. В работе рассматривается разработанный для пакетных за дач метод, включающий формирование временного ряда использования памяти, нормализацию данных, вариационную модовую декомпозицию сигнала, логарифмирование и сглаживание высокочастотной компоненты, а также последующее прогнозирование на основе гибридной архитектуры. Экспериментальная проверка метода выполнена на промышленных наборах данных Google Cluster Trace 2011 и Alibaba Cluster Trace v2018. В качестве критериев качества использованы метрики MSE, RMSE, MAE, RMSLE и коэффициент детерминации R2. По результатам экспериментов модель обеспечила высокую точность кратко срочного прогноза. Практическая значимость работы состоит в возможности использовать рассматриваемый метод для динамического выбора объёма памяти, снижения вероятности сбоев при выполнении пакетных задач и повышения эффективности использования вычислительных ресурсов.

This work is devoted to a method for forecasting the RAM usage of virtual machines during batch job execution in virtualized computing environments. The relevance of the study is determined by the fact that, with static memory reservation, a certain amount of resource is allocated inadvance, butthetemporalvariabilityofthe workload is not taken into account, which leads either to the risk of abnormal termina tion of computations or to inefficient use of computing infrastructure resources. The aim of the work is to improve the efficiency of RAM management by moving from static resource assignment to making decisions on changing the amount of allocated memory based on forecasting. As part of the study, a review of statistical methods, machine learning methods, and neural network architectures used for the analysis of cloud workload time series was performed. The work considers a method developed for batch jobs, including the construction of a memory usage time series, data nor malization, variational mode decomposition of the signal, logarithmic transformation and smoothing of the high-frequency component, and subsequent forecasting based on a hybrid architecture. Experimental evaluation of the method was performed on the industrial datasets Google Cluster Trace 2011 and Alibaba Cluster Trace v2018. The MSE, RMSE, MAE, RMSLE metrics and the coefficient of determination R2 were used as quality criteria. According to the experimental results, the model pro vided high accuracy of short-term forecasting. The practical significance of the work consists in the possibility of using the considered method for dynamic selection of the amount of memory, reducing the probability of failures during batch job execution, and improving the efficiency of computational resource utilization.