УДК 004.75
ПРОГНОЗИРОВАНИЕ НАГРУЗКИ С ИСПОЛЬЗОВАНИЕМ РЕКУРРЕНТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ ОПРЕДЕЛЕНИЯ ПРИОРИТЕТА УЗЛА РАСПРЕДЕЛЕННОЙ СИСТЕМЫ
Т. Э. Зейналлы, аспирант, ассистент кафедры информатики и информационных технологий
Московского Политехнического Университета, г. Москва, Россия;
orcid.org/0000-0001-6462-9607, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Д. Г. Демидов, к.т.н., доцент, декан факультета информационных технологий Московского
политехнического университета, г. Москва, Россия;
orcid.org/0000-0002-2462-936X, e-mail: Этот адрес электронной почты защищён от спам-ботов. У вас должен быть включен JavaScript для просмотра.
Рассматриваются распределённые системы, состоящие из одноранговых узлов, итерационно выполняющие полезные нагрузки. Специфика рассматриваемых систем заключается в том, что приоритет рассчитывается в рамках одноранговых узлов – без узла координатора. Для них дается определение проблемы приоритизации узлов под выполнение конкретных задач, анализируются существующие научные исследования по данной тематике. Цель работы – выработать метод прогнозирования приоритета узла для выполнения полезной нагрузки в системах с вышеописанными свойствами. Проводится анализ характеристик итерационных полезных нагрузок с целью определения и описания возможных сценариев приоритизации, выявления параметров и характеристик, оказывающих влияние на приоритет. Результатом анализа является способ вычисления приоритета, позволяющий системе адаптироваться к текущим условиям и рационально распределять нагрузку. Найденные характеристики позволяют адаптировать сценарии приоритизации для конкретных задач и повысить утилизацию ресурсов узла. В работе описывается экспериментальный стенд – система из трёх узлов, выполняющих итеративно полезную нагрузку. С него собираются данные для обучения нейронной сети. Описываются способы прогнозирования приоритета узла методами машинного обучения. Основным результатом работы является модель рекуррентной нейронной сети, осуществляющей прогнозирование приоритета узла для выполнения полезной нагрузки с учетом информации за предыдущие временные интервалы. В работе описываются входные и выходные данные модели. На вход модели передаются характеристики итерационного процесса и временные ряды исторических показателей нагрузки на узел. Выходным значением является показатель приоритета на следующий интервал времени. Оценивается точность модели прогнозирования. Применение предложенного метода помогает эффективным образом использовать ресурсы распределенных информационных систем. Приводятся варианты практического применения полученных в ходе работы результатов.
Ключевые слова: распределенная система, информационная система, программное обеспечение вычислительных комплексов, приоритизация узлов, рекуррентные нейронные сети, RNN, Long shortterm memory LSTM, машинное обучение, прогнозирование.