Метод інтелектуального моніторингу та оптимізації ресурсів ІТ-інфраструктури на основі машинного навчання

UKR: У роботі проведено аналіз сучасних підходів до моніторингу та управління навантаженням в ІТ-інфраструктурах. Розглянуто обмеження традиційних реактивних методів та обґрунтовано доцільність переходу до інтелектуальних систем класу AIOps. Запропоновано концепцію методу моніторингу, що базується на використанні алгоритмів машинного навчання (зокрема моделей LSTM та нейро-нечітких мереж) для проактивного прогнозування часових рядів навантаження. Окрему увагу приділено інтелектуальному балансуванню ресурсів у хмарних та мікросервісних середовищах, що дозволяє мінімізувати затримки та оптимізувати витрати на інфраструктуру. Отримані результати можуть бути використані при розробці адаптивних систем автоматичного масштабування.

ENG: The paper analyzes modern approaches to monitoring and load management in IT infrastructures. The limitations of traditional reactive methods are considered and the expediency of moving to intelligent AIOps systems is substantiated. The authors proposed a concept of a monitoring method based on the use of machine learning algorithms (in particular, LSTM models and neuro-fuzzy networks) for proactive forecasting of load time series. Particular attention is paid to intelligent resource balancing in cloud and microservice environments, which allows minimizing latency and optimizing infrastructure costs. The results can be used in the development of adaptive autoscaling systems.