АНСАМБЛЕВА МОДЕЛЬ ПРОГНОЗУВАННЯ ВІДМОВ ЗАВДАНЬ У ХМАРНИХ ОБЧИСЛЕННЯХ

Vasyl Znaidiuk; Vladyslav Tukhtarov

doi:10.26906/SUNZ.2026.2.095

Автор(и)

Vasyl Znaidiuk
Vladyslav Tukhtarov

DOI:

https://doi.org/10.26906/SUNZ.2026.2.095

Ключові слова:

хмарні обчислення, прогнозування відмов, ансамблева модель, машинне навчання, штучна нейронна мережа, KNN, стекінг, логістична регресія, відмовостійкість, планування ресурсів

Анотація

Актуальність. Хмарні обчислення є ключовим елементом сучасної ІТ-інфраструктури, однак проблема відмов завдань негативно впливає на якість обслуговування та ефективність використання ресурсів. Зростання складності хмарних систем та обсягів даних зумовлює необхідність застосування інтелектуальних методів прогнозування відмов, що дозволяють переходити від реактивних до проактивних і стійких підходів управління ресурсами. Об’єкт дослідження: процеси прогнозування відмов завдань у хмарних обчислювальних системах. Мета статті: розробка ансамблевої моделі прогнозування відмов завдань у хмарних обчисленнях на основі поєднання методів машинного навчання. Результати дослідження. У статті запропоновано ансамблеву модель, що базується на використанні методу стекінгу та поєднує алгоритми K-найближчих сусідів і штучної нейронної мережі з мета-моделлю на основі логістичної регресії. Проведено попередню обробку та аналіз даних набору Google Cluster Trace, виконано інженерію ознак і побудовано прогностичну модель. Експериментальні результати показали, що запропонована ансамблева модель забезпечує підвищення точності прогнозування та покращення показників F1-міри, прецизійності та повноти порівняно з окремими моделями. Встановлено, що використання ансамблевого підходу дозволяє зменшити ефект перенавчання та підвищити надійність прогнозів. Висновки. Запропонована модель є ефективним інструментом для прогнозування відмов завдань у хмарних системах та може бути використана для оптимізації планування ресурсів і підвищення відмовостійкості. Використання ансамблевого підходу сприяє зниженню витрат ресурсів і підтримує концепцію «зелених» обчислень. Сфера використання отриманих результатів: системи планування завдань, управління ресурсами та підвищення відмовостійкості у хмарних обчисленнях і центрах обробки даних.

Завантажити

Дані для завантаження поки недоступні.

Посилання

1. Shahid M. A., Islam N., Alam M. M., Mazliham M., Musa S. Towards resilient method: An exhaustive survey of fault tolerance methods in the cloud computing environment // Computer Science Review. 2021. Vol. 40. Art. 100398. DOI: https://doi.org/10.1016/j.cosrev.2021.100398

2. Agarwal K. K., Kotakula H. Fault tolerance in cloud: A brief survey // Advances in Communication, Cloud, and Big Data. Springer, 2022. P. 578–589. DOI: https://doi.org/10.1007/978-981-19-2829-6_55

3. Ragmani A., Elomri A., Abghour N., Moussaid K., Rida M., Badidi E. Adaptive fault-tolerant model for improving cloud computing performance using artificial neural network // Procedia Computer Science. 2020. Vol. 170. P. 990–997. DOI: https://doi.org/10.1016/j.procs.2020.03.049

4. Tengku Asmawi T. N., Ismail A., Shen J. Cloud failure prediction based on traditional machine learning and deep learning // Journal of Cloud Computing. 2022. Vol. 11. DOI: https://doi.org/10.1186/s13677-022-00324-9

5. Marahatta A., Xin Q., Chi C., Zhang F., Liu Z. PEFS: AI-driven prediction-based energy-aware fault-tolerant scheduling scheme for cloud data center // IEEE Transactions on Sustainable Computing. 2021. Vol. 6, No. 4. P. 655–666. DOI: https://doi.org/10.1109/TSUSC.2020.2964266

6. Gao J., Wang H., Shen H. Task failure prediction in cloud data centers using deep learning // IEEE Transactions on Services Computing. 2022. Vol. 15, No. 3. P. 1411–1422. DOI: https://doi.org/10.1109/TSC.2020.2964407

7. Alahmad Y., Daradkeh T., Agarwal A. Proactive failure-aware task scheduling framework for cloud computing // IEEE Access. 2021. Vol. 9. P. 106152–106168. DOI: https://doi.org/10.1109/ACCESS.2021.3100708

8. Jassas M. S., Mahmoud Q. H. A failure prediction model for large-scale cloud applications using deep learning // Proceedings of the IEEE International Systems Conference (SysCon). 2021. DOI: https://doi.org/10.1109/SysCon48628.2021.9447071

9. Vani K., Sujatha S. A machine learning framework for job failure prediction in cloud using hyper-parameter tuned MLP // Proceedings of the 2nd International Conference on Advanced Technologies in Intelligent Control, Environment, Computing & Communication Engineering (ICATIECE). 2022. DOI: https://doi.org/10.1109/ICATIECE54045.2022.9768518

10. Ляшенко О., Михайліченко І. Модель самоадаптивної розподіленої системи керування ресурсами у хмарних обчисленнях // Herald of Khmelnytskyi National University. Technical Sciences. 2026. № 2 (363). С. 335–343. DOI: https://doi.org/10.31891/2307-5732-2026-363-46

11. El-Sayed N., Zhu H., Schroeder B. Learning from failure across multiple clusters: A trace-driven approach to understanding, predicting, and mitigating job terminations // Proceedings of the IEEE 37th International Conference on Distributed Computing Systems (ICDCS). 2017. P. 1333–1344. DOI: https://doi.org/10.1109/ICDCS.2017.155

12. Wilkes J. Google cluster-usage traces V3 [Електронний ресурс]. URL: https://github.com/google/cluster-data