УДК 004.021 Алгоритмы
В статье рассматривается подход к оценке загруженности вычислительного ресурса программного сервиса на основе сопоставления функции потребности в ресурсе и функции максимально выделенного вычислительного ресурса. В отличие от подходов, ориентированных преимущественно на анализ текущих наблюдаемых метрик, предлагаемый метод использует содержательно интерпретируемую функцию потребности в ресурсе как исходный объект дальнейшего анализа. На этой основе вводятся мгновенные и интегральные характеристики дефицита и профицита вычислительного ресурса, определяемые через площадь между функциями потребности и доступного ресурса на рассматриваемом интервале времени. Дополнительно предлагается динамическая интерпретация накопленного дефицита через функцию, характеризующую объем невыполненной работы в единицах ресурсовремени. Показано, что использование позволяет связать интегральный дефицит ресурса с прогнозом продолжительности периода повышенного использования ресурса, необходимого для компенсации ранее накопленного недостатка ресурса. Тем самым предложенная модель обеспечивает переход от моментальной оценки нехватки ресурса к накопленной характеристике ресурсного состояния сервиса и создает основу для прогноза его дальнейшей загруженности. Полученные результаты могут быть использованы при анализе ресурсного состояния программных сервисов, а также как основа для последующего решения задач оценки требуемого объема ресурса и управления дефицитом и профицитом вычислительных ресурсов.
вычислительные ресурсы, потребность в ресурсе, загруженность ресурса, дефицит ресурса, профицит ресурса, программный сервис, микросервисная архитектура, временные ряды, прогноз загруженности, управление ресурсами.
1. Bauer A., Lesch V., Versluis L., Ilyushkin A., Herbst N., Kounev S. Chamulteon: Coordinated Auto-Scaling of Micro-Services // 2019 IEEE 39th International Conference on Distributed Computing Systems (ICDCS 2019). Los Alamitos, CA, USA : IEEE, 2019. P. 2015–2025. DOI:https://doi.org/10.1109/ICDCS.2019.00199.
2. Pereira dos Santos J. P., Reppas E., Wauters T., Volckaert B., De Turck F. Gwydion: Efficient Auto-Scaling for Complex Containerized Applications in Kubernetes through Reinforcement Learning // Journal of Network and Computer Applications. 2025. Vol. 234. Art. 104067. DOI:https://doi.org/10.1016/j.jnca.2024.104067.
3. Bacchiani L., Bravetti M., Giallorenzo S., Gabbrielli M., Zavattaro G., Zingaro S. P. Proactive-Reactive Microservice Architecture Global Scaling // Journal of Systems and Software. 2025. Vol. 220. Art. 112262. DOI:https://doi.org/10.1016/j.jss.2024.112262.
4. Waseem M., Liang P., Shahin M. A systematic mapping study on microservices architecture in DevOps // Journal of Systems and Software. 2020. Vol. 170. Art. 110798. DOI:https://doi.org/10.1016/j.jss.2020.110798.
5. Mell P., Grance T. The NIST definition of cloud computing. NIST Special Publication 800-145. Gaithersburg: National Institute of Standards and Technology, 2011. DOI:https://doi.org/10.6028/NIST.SP.800-145.
6. Carrión C. Kubernetes as a standard container orchestrator: A bibliometric analysis // Journal of Grid Computing. 2022. Vol. 20, no. 4. Art. 42. DOI:https://doi.org/10.1007/s10723-022-09629-8.
7. Bauer A., Herbst N., Kounev S. Design and Evaluation of a Proactive, Application-Aware Auto-Scaler: Tutorial Paper // Proceedings of the 8th ACM/SPEC International Conference on Performance Engineering (ICPE ’17). New York, NY, USA : Association for Computing Machinery, 2017. P. 425–428. DOI:https://doi.org/10.1145/3030207.3053678.
8. Jeong B., Jeong Y.-S. Autoscaling Techniques in Cloud-Native Computing: A Comprehensive Survey // Computer Science Review. 2025. Vol. 58. Art. 100791. DOI:https://doi.org/10.1016/j.cosrev.2025.100791.
9. Straesser M., Grohmann J., von Kistowski J., Eismann S., Bauer A., Kounev S. Why Is It Not Solved Yet? Challenges for Production-Ready Autoscaling // Proceedings of the 2022 ACM/SPEC International Conference on Performance Engineering (ICPE ’22). New York, NY, USA : Association for Computing Machinery, 2022. P. 105–115. DOI:https://doi.org/10.1145/3489525.3511680.
10. Spinner S., Casale G., Brosig F., Kounev S. Evaluating Approaches to Resource Demand Estimation // Performance Evaluation. 2015. Vol. 92. P. 51–71. DOI:https://doi.org/10.1016/j.peva.2015.07.005.
11. Bauer A., Grohmann J., Herbst N., Kounev S. On the Value of Service Demand Estimation for Auto-Scaling // Measurement, Modelling, and Evaluation of Computing Systems / ed. by A. Horváth, K. Wolter, D. Krishnamurthy, M. Scarpa. Cham : Springer, 2018. Vol. 10740. P. 142–156. DOI:https://doi.org/10.1007/978-3-319-74947-1_10.
12. Brunnert A., Krcmar H. Continuous Performance Evaluation and Capacity Planning Using Resource Profiles for Enterprise Applications // Journal of Systems and Software. 2017. Vol. 123. P. 239–262. DOI:https://doi.org/10.1016/j.jss.2015.08.030.
13. Jindal A., Podolskiy V., Gerndt M. Performance Modeling for Cloud Microservice Applications // Proceedings of the 10th ACM/SPEC International Conference on Performance Engineering (ICPE ’19). New York, NY, USA : Association for Computing Machinery, 2019. P. 25–32. DOI:https://doi.org/10.1145/3297663.3310309.
14. Herbst N., Krebs R., Oikonomou G., Kousiouris G., Evangelinou A., Iosup A., Kounev S. Ready for Rain? A View from SPEC Research on the Future of Cloud Metrics. Version 1.0. SPEC-RG-2016-01. Technical report. SPEC Research Group — Cloud Working Group, Standard Performance Evaluation Corporation (SPEC), 2016.
15. Долженко А. И., Ермолов И. А., Полиев А. Д. Мониторинг программного обеспечения, основанного на микросервисной архитектуре // Информатизация в цифровой экономике. 2021. Т. 2, № 2. С. 55–62. DOI:https://doi.org/10.18334/ide.2.2.113382.
16. Артамонов И. В. Показатели производительности микросервисных систем // Вестник НГИЭИ. 2018. № 8(87). С. 24–33.
17. Кучерова К. Н. Прогнозирование ресурсов облачных сервисов на основе мониторинговой системы с открытым кодом // Труды учебных заведений связи. 2020. Т. 6, № 3. С. 100–106. DOI:https://doi.org/10.31854/1813-324X-2020-6-3-100-106.
