BULUTLI TIZIMLARDA HISOBLASH RESURSLARINI MASHINALI OʻQITISH ASOSIDA BASHORATLI BOSHQARISH
Keywords:
hisoblash resurslarini boshqarish, yuklamani bashoratlash, avtomasshtablash, mashinali oʻqitish, gradient busting, ansambl modellari, bulutli hisoblash, SLA.Abstract
Maqolada bulutli va klasterli kompyuter tizimlarida hisoblash resurslarini oldindan ajratish masalasi koʻrib chiqilgan. Reaktiv avtomasshtablashda virtual mashinalarni ishga tushirishdagi kechikish tufayli yuklama keskin oshgan paytda xizmat koʻrsatish darajasi boʻyicha kelishuv (SLA) buziladi, uni qoplash uchun esa ortiqcha zaxira saqlanadi. Muammoni hal etish uchun yuklamani 15 daqiqa oldinga bashorat qiluvchi mashinali oʻqitish modellari (Ridge regressiya, tasodifiy oʻrmon, gradient busting, koʻp qatlamli perseptron) va ularning ansambli asosida resurs ajratish algoritmi taklif etildi. Algoritmda bashorat natijasi qat'iy foizli zaxira yoki soʻnggi qoldiqlar kvantiliga asoslangan adaptiv zaxira bilan toʻldiriladi. Kunlik va haftalik mavsumiylik, trend va tasodifiy choʻqqilarga ega 28 kunlik yuklama modelida oʻtkazilgan tajribada SLA buzilishlari ulushi 1 % dan oshmagan sharoitda ansambl asosidagi algoritm reaktiv usulga nisbatan resurs xarajatini 4,9 % ga, choʻqqi boʻyicha statik ajratishga nisbatan 44,1 % ga kamaytirdi.
References
1. Buyya R., Yeo C. S., Venugopal S., Broberg J., Brandic I. Cloud computing and emerging IT platforms: Vision, hype, and reality for delivering computing as the 5th utility // Future Generation Computer Systems. – 2009. – Vol. 25, No. 6. – P. 599–616.
2. Lorido-Botran T., Miguel-Alonso J., Lozano J. A. A review of auto-scaling techniques for elastic applications in cloud environments // Journal of Grid Computing. – 2014. – Vol. 12, No. 4. – P. 559–592.
3. Calheiros R. N., Masoumi E., Ranjan R., Buyya R. Workload prediction using ARIMA model and its impact on cloud applications' QoS // IEEE Transactions on Cloud Computing. – 2015. – Vol. 3, No. 4. – P. 449–458.
4. Kumar J., Singh A. K. Workload prediction in cloud using artificial neural network and adaptive differential evolution // Future Generation Computer Systems. – 2018. – Vol. 81. – P. 41–52.
5. Hochreiter S., Schmidhuber J. Long short-term memory // Neural Computation. – 1997. – Vol. 9, No. 8. – P. 1735–1780.
6. Reiss C., Tumanov A., Ganger G. R., Katz R. H., Kozuch M. A. Heterogeneity and dynamicity of clouds at scale: Google trace analysis // Proceedings of the ACM Symposium on Cloud Computing (SoCC). – 2012.
7. Cortez E., Bonde A., Muzio A., Russinovich M., Fontoura M., Bianchini R. Resource Central: Understanding and predicting workloads for improved resource management in large cloud platforms // Proceedings of the 26th Symposium on Operating Systems Principles (SOSP). – 2017. – P. 153–167.
8. Rzadca K., Findeisen P., Swiderski J. et al. Autopilot: Workload autoscaling at Google // Proceedings of the 15th European Conference on Computer Systems (EuroSys). – 2020.
9. Oʻzbekiston Respublikasi Prezidentining 2020-yil 5-oktabrdagi PF-6079-son "Raqamli Oʻzbekiston – 2030" strategiyasini tasdiqlash va uni samarali amalga oshirish chora-tadbirlari toʻgʻrisida"gi Farmoni.
10. Oʻzbekiston Respublikasi Prezidentining 2021-yil 17-fevraldagi PQ-4996-son "Sun'iy intellekt texnologiyalarini jadal joriy etish uchun shart-sharoitlar yaratish chora-tadbirlari toʻgʻrisida"gi qarori.
11. Pedregosa F., Varoquaux G., Gramfort A. et al. Scikit-learn: Machine learning in Python // Journal of Machine Learning Research. – 2011. – Vol. 12. – P. 2825–2830.
