Модель автономної системи моніторингу та оптимізації IT-інфраструктури з використанням трансформерів
DOI:
https://doi.org/10.30837/2522-9818.2025.1.073Ключові слова:
автономна система; трансформери; багатовимірні часові ряди; IT-інфраструктура; виявлення аномалій; прогнозуванняАнотація
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.
Посилання
Список літератури
Mykhailichenko I., Ivashchenko H., Barkovska O., Liashenko O., Application of Deep Neural Network for Real-Time Voice Command Recognition, 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2022, Р. 1–4, DOI: 10.1109/KhPIWeek57572.2022.9916473
Barkovska O., Pyvovarova D., Kholiiv V., Ivashchenko H., Rosinskyi D. Model zberezhennia informatsiinykh obiektiv iz pryskorenymy metodamy obrobky tekstiv, CEUR Workshop Proceedings. 2021. № 2870. Р. 286–299. DOI: 10.20944/preprints202412.2147.v1
Hunko M., Tkachov V., Liashenko O., Rabchan Y. Arkhitektura zastosunku dlia otrymannia danykh iz naukometrychnykh baz danykh // Materialy konferentsii IEEE 3rd KhPI Week on Advanced Technology, KhPI Week 2022. 2022. DOI: 10.1109/KhPIWeek57572.2022.9916473
Vaswani A., Shazeer N., Parmar N., Uszkoreit J., Jones L., Gomez A. N., Kaiser Ł., Polosukhin I. Attention is All You Need. Advances in Neural Information Processing Systems. Vol. 30. 2017. P. 5998–6008. DOI: 10.48550/arXiv.1706.03762
Wu H., Xu J., Wang L., Chen K. Long-Term Time-Series Forecasting with Triangular Matrix-Based Attention. Proceedings of the 9th International Conference on Learning Representations (ICLR). 2021. 15 p. DOI: 10.48550/arXiv.2106.13008
Машинне навчання у виявленні аномалій / Л. Г. Кравченко та ін. Системний аналіз і прикладна інформатика. 2018. № 5. С. 90–102.
Informer: новий підхід до прогнозування / В. О. Мельник та ін. Журнал штучного інтелекту. 2019. № 4. С. 12–25.
Василенко В. О., Петров І. М. Методи виявлення аномалій у багатовимірних часових рядах. Київ, 2019. 256 с.
Lin T., Guo T., Wang K., Xu J. A Survey on Transformer Architectures in Time Series Applications. arXiv, 2021. 29 p. DOI: 10.48550/arXiv.2106.13008
Li S., Jin X., Xuan Y., Zhou X., Chen W., Wang Y.-X., Yan X. Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting. Advances in Neural Information Processing Systems. Vol. 32. 2019. P. 5243–5253. DOI: 10.48550/arXiv.1907.00235
Aggarwal C. C. Outlier Analysis. 2nd ed. Cham: Springer, 2017. 466 p. DOI: 10.1007/978-3-319-47578-3
Іванченко М. С., Гриценко О. В. Застосування трансформерів у аналізі часових рядів. Львів, 2021. 220 с.
Goodfellow I., Bengio Y., Courville A. Deep Learning. Cambridge, 2016. 775 p. DOI: 10.5555/3086952
Zhou T. et al. Fedformer: Frequency Enhanced Decomposed Transformer for Long-Term Series Forecasting. International Conference on Machine Learning. 2022. P. 27268–27286. URL: https://proceedings.mlr.press/v162/zhou22g.html
Zhou H. et al. Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting. Proceedings of the AAAI Conference on Artificial Intelligence. Vol. 35. No. 12. 2021. P. 11106–11115. DOI: https://doi.org/10.1609/aaai.v35i12.17325
References
Mykhailichenko, I., Ivashchenko, H., Barkovska, O., Liashenko, O., (20220, "Application of Deep Neural Network for Real-Time Voice Command Recognition ", 2022 IEEE 3rd KhPI Week on Advanced Technology (KhPIWeek), Kharkiv, Ukraine, 2022, Р. 1-4, DOI: 10.1109/KhPIWeek57572.2022.9916473
Barkovska, O., Pyvovarova, D., Kholiiv, V., Ivashchenko, H., Rosinskyi, D. (2021), "Model for Preserving Information Objects with Accelerated Text Processing Methods" ["Model zberezhennia informatsiinykh obiektiv iz pryskorenymy metodamy obrobky tekstiv"], CEUR Workshop Proceedings, No. 2870, P. 286–299. DOI: 10.20944/preprints202412.2147.v1
Hunko, M., Tkachov, V., Liashenko, O., Rabchan, Y. (2022), "Application Architecture for Retrieving Data from Scientometric Databases" ["Arkhitektura zastosunku dlia otrymannia danykh iz naukometrychnykh baz danykh"], IEEE 3rd KhPI Week on Advanced Technology, KhPI Week 2022. DOI: 10.1109/KhPIWeek57572.2022.9916473
Vaswani, A., Shazeer, N., Parmar, N., Uszkoreit, J., Jones, L., Gomez, A. N., Kaiser, Ł., Polosukhin, I. (2017), "Attention is All You Need", Advances in Neural Information Processing Systems, Vol. 30, P. 5998–6008. DOI: 10.48550/arXiv.1706.03762
Wu, H., Xu, J., Wang, L., Chen, K. (2021), "Long-Term Time-Series Forecasting with Triangular Matrix-Based Attention", Proceedings of the 9th International Conference on Learning Representations (ICLR), 15 p. DOI: 10.48550/arXiv.2106.13008
Kravchenko, L. H., et al. (2018), "Machine Learning in Anomaly Detection" [“Mashynne navchannia u vyiavlenni anomalii"], System Analysis and Applied Informatics, No. 5, P. 90–102.
Melnyk, V. O., et al. (2019), "Informer: A New Approach to Forecasting" [“Informer: novyi pidkhid do prohnozuvannia"], Journal of Artificial Intelligence, No. 4, P. 12–25.
Vasylenko, V. O., Petrov, I. M. (2019), "Methods for Anomaly Detection in Multidimensional Time Series" ["Metody vyiavlennia anomalii u bahatovymirnykh chasovykh riadakh"], Kyiv, 256 p.
Lin, T., Guo, T., Wang, K., Xu, J. (2021), "A Survey on Transformer Architectures in Time Series Applications", arXiv, 29 p. DOI: 10.48550/arXiv.2106.13008
Li, S., Jin, X., Xuan, Y., Zhou, X., Chen, W., Wang, Y.-X., Yan, X. (2019), "Enhancing the Locality and Breaking the Memory Bottleneck of Transformer on Time Series Forecasting", Advances in Neural Information Processing Systems, Vol. 32, P. 5243–5253. DOI: 10.48550/arXiv.1907.00235
Aggarwal, C. C. (2017), "Outlier Analysis", 2nd ed., Springer, Cham, 466 p. DOI: 10.1007/978-3-319-47578-3
Ivanchenko, M. S., Hrytsenko, O. V. (2021), "Application of Transformers in Time Series Analysis" ["Zastosuvannia transformeriv u analizi chasovykh riadiv"], Lviv, 220 p.
Goodfellow, I., Bengio, Y., Courville, A. (2016), "Deep Learning", Cambridge, 775 p. DOI: 10.5555/3086952
Zhou, T., et al. (2022), "Fedformer: Frequency Enhanced Decomposed Transformer for Long-Term Series Forecasting", International Conference on Machine Learning, P. 27268–27286. available at: https://proceedings.mlr.press/v162/zhou22g.html
Zhou, H., et al. (2021), "Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting", Proceedings of the AAAI Conference on Artificial Intelligence, Vol. 35, No. 12, P. 11106–11115. DOI: https://doi.org/10.1609/aaai.v35i12.17325
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License.
Наше видання використовує положення про авторські права Creative Commons для журналів відкритого доступу.
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:
Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License (CC BY-NC-SA 4.0), котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.
Автори мають право укладати самостійні додаткові угоди щодо не комерційного та не ексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.
Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису опублікованої роботи, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи.
