Оптимізація безсерверних обчислень у хмарних середовищах

Abstract

Дисертаційна робота присвячена розробленню математичних моделей та інформаційної технології оптимізації безсерверних обчислень у хмарних середовищах шляхом побудови неоднорідної системи масового обслуговування зі змішаними режимами роботи, що дозволяє здійснювати проактивне масштабування обчислювальних ресурсів на основі аналітичного прогнозування навантаження. У дисертаційній роботі побудовано математичну модель безсерверної обчислювальної системи на прикладі AWS Lambda як неоднорідної СМО, у якій вхідний процес визначається сумішшю незалежних неоднорідних пуассонівських процесів від різних джерел подій. Розроблено модель суміші потоків завдань та аналітично доведено її перевагу над класичним Markov-Modulated Poisson Process за критерієм точності оцінок дисперсії. Вперше доведено граничні еволюції для процесу довжини черги у схемі усереднення та схемі дифузійної апроксимації з використанням апарату напівмарковських випадкових еволюцій, що дало змогу отримати нормальне наближення для розподілу довжини черги та явну формулу для оцінки частки відхилених запитів. Встановлено необхідну та достатню умову обмеженості черги для неоднорідної СМО. Удосконалено алгоритм параметричної оцінки та оптимізації конфігурації безсерверної системи, який на відміну від підходів на основі машинного навчання використовує аналітичні оцінки теорії масового обслуговування, що дозволяє отримати явні формули для оптимальних параметрів без потреби у навчанні нейронних мереж. Розроблено архітектуру фреймворку для розподіленої обробки даних з модулем прогнозного автоматичного масштабування та реалізовано відповідну інформаційну технологію. Імітаційне моделювання методом Монте-Карло статистично підтвердило перевагу запропонованих моделей. Отримані результати можуть бути застосовані для оптимізації безсерверних обчислень на різних хмарних платформах та побудови інтелектуальних систем автоматичного масштабування ресурсів.