Отправить статью по E-mail 
ПРЕДСКАЗАНИЕ КАЧЕСТВА ПРЕДОСТАВЛЯЕМОГО СЕТЕВОГО СЕРВИСА НА ОСНОВЕ ИНФОРМАЦИИ ОБ ИСПОЛЬЗОВАНИИ СЕРВЕРНЫХ РЕСУРСОВ
- Авторы: Грушо А.А.1, Забежайло М.И.1, Писковский В.О.1,2, Тимонина Е.Е.1
-
Учреждения:
- Федеральный исследовательский центр “Информатика и управление” РАН
- Факультет вычислительной математики и кибернетики МГУ им. М.В. Ломоносова
- Выпуск: № 3 (2025)
- Страницы: 91-98
- Раздел: ИСКУССТВЕННЫЙ ИНТЕЛЛЕКТ
- URL: https://journal-vniispk.ru/0002-3388/article/view/304410
- DOI: https://doi.org/10.31857/S0002338825030098
- EDN: https://elibrary.ru/bgogdd
- ID: 304410
Цитировать
Открытый доступ
Доступ предоставлен
Только для подписчиков
Аннотация
Для снижения издержек при использовании облачной вычислительной инфраструктуры необходимо подбирать оптимальные конфигурационные параметры. Для решения поставленных задач нужны методы предсказания качества предоставляемого сетевого сервиса. Такие предсказания возможны на основе информации о применении серверных ресурсов, машинного обучения и методов оценки времен выполнения услуг. Эти данные получены путем измерений и собранных ранее сведений о работе телекоммуникационной инфраструктуры. Рассматриваются различные методы сокращения размерностей и выделения существенных переменных с целью оценок расхождений целевых характеристик в случае их вычислений по полным данным и по данным, редуцированных разными методами. В экспериментах предсказания характеристик модельной задачи наилучшим образом показала модель случайного леса в сочетании с методом понижения размерности пространства признаков с помощью метода главных компонент.
Об авторах
А. А. Грушо
Федеральный исследовательский центр “Информатика и управление” РАН
Email: grusho@yandex.ru
Москва, Россия
М. И. Забежайло
Федеральный исследовательский центр “Информатика и управление” РАН
Email: m.zabezhailo@yandex.ru
Москва, Россия
В. О. Писковский
Федеральный исследовательский центр “Информатика и управление” РАН; Факультет вычислительной математики и кибернетики МГУ им. М.В. Ломоносова
Email: vpiskovski@lvk.cs.msu.ru
Москва, Россия; Москва, Россия
Е. Е. Тимонина
Федеральный исследовательский центр “Информатика и управление” РАН
Email: eltimon@yandex.ru
Москва, Россия
Список литературы
- Френкель С.Л., Захаров В.Н. Модель прогнозирования интернет-трафика // Искусственный интеллект и принятие решений. 2022. № 4. С. 66–77. https://doi.org/10.14357/20718594220407
- Лычева Е.О., Писковский В.О., Могиленец В.М. Прогнозирование временных характеристик прикладных сетевых сервисов // Тр. 5-й Междунар. конф. MODERN NETWORK TECHNOLOGIES (MONETEC-2024). М., Изд-во МГУ им. М.В. Ломоносова, 2024. С. 25–33.
- Lan X., Taghia J., Moradi F., Khoshkholghi M.A., Zec E., Mogren O., Mahmoodi T., Johnsson A. Federated Learning for Performance Prediction in Multi-operator Environments // ITU Journal on Future and Evolving Technologies. 2023. V.4. P. 166–177.
- Hu C.-H., Chen Z., Larsson E.G. Device Scheduling and Update Aggregation Policies for Asynchronous Federated Learning // IEEE 22nd International Workshop on Signal Processing Advances in Wireless Communications (SPAWC). Lucca, Italy, 2021. P. 281–285.
- Lee H.-S., Lee J.-W. Adaptive Transmission Scheduling in Wireless Networks for Asynchronous Federated Learning // IEEE Journal on Selected Areas in Communications. 2021. V. 39. № 12. P. 3673–3687.
- Almanifi O.R.A., Chow C.-O., Tham M.-L., Chuah J.H., Kanesan J. Communication and Computation Efficiency in Federated Learning: A survey // Internet of Things. 2023. V. 22.
- Lu R., Zhang W., Li Q., He H., Zhong X., Yang H. et al. Adaptive Asynchronous Federated Learning // Future Generation Computer Systems. 2024. V. 152. P. 193–206.
- Басок Б.М., Захаров В.Н., Френкель С.Л. Использование вероятностной модели вычислений для тестирования одного класса готовых к использованию программных компонентов локальных и сетевых систем // Информатика и ее применения. 2018. Т. 12. Вып. 4. С. 44–51. https://doi.org/10.14357/19922264180407
- Data Traces from a Data Center Testbed – Kaggle [электронный ресурс]. URL: www.kaggle.com/datasets/jaliltaghia/data-traces-from-a-data-center-testbed (дата обращения: 11.09.2023).
- Yanggratoke R., Ahmed J., Ardelius J., Flinta C., Johnsson A., Gillblad D., Stadler R.A. Service-agnostic Method for Predicting Service Metrics in Real Time // Intern. J. of Network Management. 2017. V. 28. № 2.
- Bishop C.M. Pattern Recognition and Machine Learning. N.Y.: Springer, 2006.
- Сайфутдинов Р.А. Исследование алгоритмов уменьшения размерности данных для задачи классификации. СПб.: СПбГУ, 2014.
- Hyperparameter Tuning: GridSearchCV and RandomizedSearchCV, Explained [электронный ресурс]. URL: www.kdnuggets.com/hyperparameter-tuning-gridsearchcv-and-randomizedsearchcv-explained (дата обращения: 24.12.2024).
- Grusho A., Grusho N., Zabezhailo M., Timonina E. On Some Possibilities of Using AI Methods in the Search for Cause-and-effect Relationships in Accumulated Empirical Data // Proc. 8th Intern. Scientific Conf. “Intelligent Information Technologies for Industry” (IITI 2024, Harbin, China, Nov. 1–7, 2024), Lecture Notes in Networks and Systems (LNNS) 1210. 2024. V. 2. Chap. 25. P. 280–290.
Дополнительные файлы
