Метод управління ресурсами у хмарних середовищах

Анотація

У статті представлено комплексний метод адаптивного управління обчислювальними ресурсами у хмарних середовищах, спрямований на підвищення ефективності використання інфраструктур за умов динамічного та ресурсоємного навантаження. Запропонований підхід поєднує механізми гібридного прогнозування часових рядів із використанням моделей глибокого навчання (LSTM), статистичних методів (ARIMA, Prophet) та багатокритеріальної оптимізації процесу масштабування і розподілу задач. Особлива увага приділена SLA-орієнтованій класифікації запитів, що дозволяє враховувати пріоритетність, критичність до затримок та обчислювальну інтенсивність задач, підвищуючи рівень гарантії якості обслуговування. Розроблена архітектура методу має модульну побудову та передбачає інтеграцію прогнозного компонента, контекстно-орієнтованого планувальника і механізму адаптивного балансування навантаження, що функціонує у реальному часі. Особливістю є використання динамічного вибору моделі прогнозування залежно від характеристик навантаження, що забезпечує підвищення точності оцінки майбутніх ресурсних потреб. Алгоритм призначення задач реалізує багатофакторне ранжування обчислювальних вузлів із урахуванням затримок, географічної близькості, рівня завантаження та енергоспоживання, що сприяє досягненню компромісу між продуктивністю й економічністю. Практичне підтвердження дієвості методу здійснено шляхом імітаційного моделювання у Kubernetes-середовищі з використанням реальних сценаріїв змінної інтенсивності запитів. Проведені експерименти продемонстрували суттєве зниження середнього часу відповіді та кількості порушень SLA порівняно з базовими реактивними стратегіями автоскейлінгу. Також отримано покращення показників рівня використання ресурсів та зниження сумарного енергоспоживання за рахунок гнучкого відключення надлишкових потужностей. Результати дослідження підтверджують можливість застосування запропонованого методу в умовах високодинамічного трафіку, характерного для сервіс-орієнтованих та edge-cloud архітектур. Завдяки здатності до самоадаптації і гібридному підходу до прогнозування та управління ресурсами, метод може бути ефективно впроваджений у розподілені обчислювальні системи, що працюють із суворими SLA-вимогами та підвищеними вимогами до енергетичної ефективності. З огляду на отримані результати, запропоноване рішення є перспективною основою для подальших досліджень і практичного використання у сфері хмарних технологій, IoT-інфраструктур та федеративних обчислювальних платформ.