Модель автономної системи моніторингу та оптимізації IT-інфраструктури з використанням трансформерів
Предметом дослідження є модель автономної системи моніторингу та оптимізації IT-інфраструктури, що використовує трансформери для аналізу багатовимірних часових рядів і виявлення аномалій у реальному часі. У статті розглянуто сучасні підходи до моніторингу IT-інфраструктури, зокрема використання маш...
Saved in:
| Main Authors: | , |
|---|---|
| Format: | Article |
| Language: | English |
| Published: |
Kharkiv National University of Radio Electronics
2025-03-01
|
| Series: | Сучасний стан наукових досліджень та технологій в промисловості |
| Subjects: | |
| Online Access: | https://www.itssi-journal.com/index.php/ittsi/article/view/560 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | Предметом дослідження є модель автономної системи моніторингу та оптимізації IT-інфраструктури, що використовує трансформери для аналізу багатовимірних часових рядів і виявлення аномалій у реальному часі. У статті розглянуто сучасні підходи до моніторингу IT-інфраструктури, зокрема використання машинного навчання та класичних методів статистичного аналізу. Огляд літератури показує, що наявні підходи мають обмеження, зокрема низьку ефективність в умовах динамічних змін параметрів системи. Мета статті – розроблення автономної системи, здатної здійснювати багатофакторний аналіз у реальному часі та автоматично реагувати на виявлені загрози. Запропоновано модель на основі трансформерів, що дає змогу виявляти складні аномалії та прогнозувати можливі збої. З огляду на окреслену мету необхідно розв’язати такі завдання: сформувати модель багатовимірного аналізу часових рядів; розробити алгоритм виявлення аномалій і прогнозування можливих проблем; реалізувати механізми автономного налаштування системи для стабілізації IT-інфраструктури. Упроваджено такі методи: математичне моделювання, машинне навчання (трансформери), статистичний аналіз (крос-валідація), алгоритми прогнозування на основі часових рядів. Здобуті результати. Модель досягла середньої абсолютної похибки (MAE) 4.3 % на синтетичних даних, що доводить її здатність точно виявляти аномалії. Крос-валідація підтвердила стабільність навчання без перенавчання, а гістограма залишків продемонструвала рівномірний розподіл похибок. Крім того, теплові карти кореляції показали взаємозв’язки між ключовими параметрами IT-інфраструктури. Висновки. Розроблена система дає змогу автоматично виявляти та прогнозувати проблеми в роботі IT-інфраструктури, забезпечуючи автономне налаштування параметрів для підтримки її стабільності. Запропонований підхід може бути інтегрований у сучасні системи управління IT-інфраструктурою для покращення їх ефективності.
|
|---|---|
| ISSN: | 2522-9818 2524-2296 |