DOI 10.17586/0021-3454-2023-66-11-907-916
УДК 004.75
ПРОГНОЗИРОВАНИЕ МУЛЬТИСЕЗОННЫХ НАГРУЗОЧНЫХ ПРОЦЕССОВ В ЭЛАСТИЧНЫХ ВЫЧИСЛИТЕЛЬНЫХ СИСТЕМАХ
Университет ИТМО, Санкт-Петербург, 197101, Российская Федерация; аспирант
Ссылка для цитирования : Мартынчук И. Г. Прогнозирование мультисезонных нагрузочных процессов в эластичных вычислительных системах // Изв. вузов. Приборостроение. 2023. Т. 66, № 11. С. 907—916. DOI: 10.17586/0021-3454-2023-66-11-907-916.
Аннотация. Оценивается корректность применения метода мультисезонной сезонно-трендовой декомпозиции на основе локально взвешенного сглаживания диаграммы рассеяния (MSTL) для задач прогнозирования мультисезонных нагрузочных процессов в эластичных системах. Выполнен сравнительный анализ производительности и точности метода MSTL и сезонной интегрированной модели авторегресионного скользящего среднего (SARIMA). Приведены результаты экспериментов, подтверждающие трудность построения модели SARIMA на данных с высокой степенью дискретизации и значениями периодов, превышающими классические сезонности, такие как 7, 12, 52. При построении модели SARIMA были наложены временные ограничения по подбору параметров вследствие высокого потребления памяти, что приводило к снижению точности прогноза и ограничению возможности построения модели на основе более высоких показателей сезонности. Метод MSTL демонстрирует преимущество по сравнению с моделью SARIMA по времени выполнения прогноза и потреблению памяти, однако на небольшом наборе исходных данных модель SARIMA показывает более высокую точность.
Аннотация. Оценивается корректность применения метода мультисезонной сезонно-трендовой декомпозиции на основе локально взвешенного сглаживания диаграммы рассеяния (MSTL) для задач прогнозирования мультисезонных нагрузочных процессов в эластичных системах. Выполнен сравнительный анализ производительности и точности метода MSTL и сезонной интегрированной модели авторегресионного скользящего среднего (SARIMA). Приведены результаты экспериментов, подтверждающие трудность построения модели SARIMA на данных с высокой степенью дискретизации и значениями периодов, превышающими классические сезонности, такие как 7, 12, 52. При построении модели SARIMA были наложены временные ограничения по подбору параметров вследствие высокого потребления памяти, что приводило к снижению точности прогноза и ограничению возможности построения модели на основе более высоких показателей сезонности. Метод MSTL демонстрирует преимущество по сравнению с моделью SARIMA по времени выполнения прогноза и потреблению памяти, однако на небольшом наборе исходных данных модель SARIMA показывает более высокую точность.
Ключевые слова: эластичные системы, мультисезонные нагрузочные процессы, прогнозирование временных рядов, SARIMA, MSTL
Список литературы:
Список литературы:
- Aliev T. I., Rebezova M. I., Russ A. A. Statistical Methods for Monitoring Travel Agencies in the Settlement System // Automatic Control and Computer Sciences. 2015. Vol. 49, N 6. P. 321—327.
- Bogatyrev V. A., Bogatyrev S. V., Bogatyrev A. V. Control of Multipath Transmissions in the Nodes of Switching Segments of Reserved Paths // Intern. Conf. on Information, Control, and Communication Technologies (ICCT), IEEE. 2022. Р. 1—5.
- Богатырев В. А., Богатырев С. В. Резервированная передача данных через агрегированные каналы в сети реального времени // Изв. вузов. Приборостроение. 2016. Т. 59, № 9. С. 735—740.
- Portnoy M. Virtualization Essentials. John Wiley & Sons, 2012. Vol. 19.
- АО „Центр взаимодействия компьютерных сетей «МСК-IX»“. Суммарный трафик участников, передаваемый через MSK-IX. [Электронный ресурс]: https://www.msk-ix.ru/traffic/, 15.07.2023.
- Roy N., Dubey A., Gokhale A. Efficient autoscaling in the cloud using predictive models for workload forecasting // IEEE 4th Intern. Conf. on Cloud Computing. 2011. Р. 500—507.
- Tirado J. M. et al. Predictive data grouping and placement for cloud-based elastic server infrastructures // 11th IEEE/ACM Intern. Symp. on Cluster, Cloud and Grid Computing. 2011. Р. 285—294.
- Liao S. et al. Adaptive resource prediction in the cloud using linear stacking model // 5th Intern. Conf. on Advanced Cloud And Big Data (CBD). IEEE. 2017. Р. 33—38.
- Melhem S. B. et al. Markov prediction model for host load detection and VM placement in live migration // IEEE Access. 2017. Vol. 6. Р. 7190—7205.
- Yazdanian P., Sharifian S. Cloud workload prediction using convnet and stacked lstm // 4th Iranian Conf. on Signal Processing and Intelligent Systems (ICSPIS). IEEE. 2018. Р. 83—87.
- Vagropoulos S. I. et al. Comparison of SARIMAX, SARIMA, modified SARIMA and ANN-based models for short-term PV generation forecasting // IEEE Intern. Energy Conf. (ENERGYCON). 2016. Р. 1—6.
- Naim I., Mahara T., Idrisi A. R. Effective short-term forecasting for daily time series with complex seasonal patterns // Procedia Computer Science. 2018. Vol. 132. Р. 1832—1841.
- Xie T., Ding J. Forecasting with multiple seasonality // IEEE Intern. Conf. on Big Data (Big Data). 2020. Р. 240—245.
- Bandara K., Hyndman R. J., Bergmeir C. MSTL: A seasonal-trend decomposition algorithm for time series with multiple seasonal patterns // arXiv preprint arXiv:2107.13462. 2021.
- Fryzlewicz P., Van Bellegem S., Von Sachs R. Forecasting non-stationary time series by wavelet process modelling // Annals of the Institute of Statistical Mathematics. 2003. Vol. 55, N 4. Р. 737—764.
- Antoni J., Randall R. B. Unsupervised noise cancellation for vibration signals: part I—evaluation of adaptive algorithms // Mechanical Systems and Signal Processing. 2004. Vol. 18, N 1. Р. 89—101.
