priborИзвестия высших учебных заведений. ПриборостроениеJournal of Instrument Engineering0021-34542500-0381Национальный исследовательский университет ИТМО10.17586/0021-3454-2023-66-11-907-916pribor-218Research ArticleИНФОРМАТИКА И ИНФОРМАЦИОННЫЕ ПРОЦЕССЫINFORMATICS AND INFORMATION PROCESSESПрогнозирование мультисезонных нагрузочных процессов в эластичных вычислительных системахForecasting multi-seasonal load processes in elastic computing systemsМартынчукИ. Г.MartynchukI. G.

Илья Геннадьевич Мартынчук, кафедра вычислительной техники; преподаватель

Санкт-Петербург

Ilya G. Martynchuk, Department of Computing Technique; Lecturer

St. Petersburg

mt4.ilja@gmail.comУниверситет ИТМОITMO University2023011220246611907916Copyright © Национальный исследовательский университет ИТМО, 20242024Национальный исследовательский университет ИТМОНациональный исследовательский университет ИТМОhttps://pribor.ifmo.ru/jour/about/submissions#copyrightNoticehttps://pribor.ifmo.ru/jour/article/view/218

Оценивается корректность применения метода мультисезонной сезонно-трендовой деком позиции 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.

The correctness of using the multi-seasonal season-trend decomposition method based on locally weighted scattergram smoothing for the problems of forecasting multi-seasonal load processes in elastic systems is as sessed. A comparative analysis of the performance and accuracy of the above method and the seasonal integrated auto regressive moving average (SARIMA) model is performed. Results of experiments are presented that confirm the difficul ty of constructing the SARIMA model based on data with a high degree of discretization and period values exceeding classical seasonality, such as 7, 12, 52. When creating the SARIMA model, time restrictions are imposed on the selec tion of parameters due to high memory consumption, which lead to a decrease in forecast accuracy and limited the abili ty to build a model based on higher seasonality indicators. The multi-seasonal season-trend decomposition method de monstrates an advantage over the SARIMA model in terms of forecast execution time and memory consumption, howev er, with a small set of initial data, the SARIMA model shows higher accuracy.

эластичные системымультисезонные нагрузочные процессыпрогнозирование временных рядовSARIMAMSTLelastic systemsmulti-seasonal workloadtime series forecastingSARIMAMSTLReferencesAliev 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.Aliev T.I., Rebezova M.I., Russ A.A. Automatic Control and Computer Sciences, 2015, no. 6(49), pp. 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.Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. 2022 International Conference on Information, Control, and Com munication Technologies (ICCT), 2022, рр. 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.Bogatyrev V.A., Bogatyrev S.V. Journal of Instrument Engineering, 2016, no. 9(59), pp. 735–740. (in Russ.)Portnoy M. Virtualization Essentials. John Wiley & Sons, 2012. Vol. 19.Portnoy M. Virtualization essentials, John Wiley & Sons, 2012, 336 p.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.https://www.msk-ix.ru/traffic/. (in Russ.)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.Roy N., Dubey A., Gokhale A. 2011 IEEE 4th International Conference on Cloud Computing, 2011, рр. 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.Tirado J.M. et al. 11th IEEE/ACM Intern. Symp. on Cluster, Cloud and Grid Computing, 2011, рр. 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.Liao S. et al. 5th Intern. Conf. on advanced cloud and big data (CBD), 2017, рр. 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.Melhem S. B. et al. IEEE Access, 2017, vol. 6, рр. 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.Yazdanian P., Sharifian S. 2018 4th Iranian Conf. on Signal Processing and Intelligent Systems (ICSPIS), 2018, рр. 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.Vagropoulos S.I. et al. 2016 IEEE Intern. Energy Conf. (ENERGYCON), 2016, рр. 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.Naim I., Mahara T., Idrisi A.R. Procedia Computer Science, 2018, vol. 132, рр. 1832–1841.Xie T., Ding J. Forecasting with multiple seasonality // IEEE Intern. Conf. on Big Data (Big Data). 2020. Р. 240—245.Xie T., Ding J. 2020 IEEE Intern. Conf. on Big Data (Big Data), 2020, рр. 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.Bandara K., Hyndman R.J., Bergmeir C. 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.Fryzlewicz P., Van Bellegem S., Von Sachs R. Annals of the Institute of Statistical Mathematics, 2003, no. 4(55), pp. 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.Antoni J., Randall R.B. Mechanical Systems and Signal Processing, 2004, no. 1(18), pp. 89–101.

The authors declare that there are no conflicts of interest present.