Отримано 06.01.2025, Доопрацьовано 14.03.2025, Прийнято 24.04.2025

Адаптивний моніторинг продуктивності у хмарних середовищах з використанням рекурентних нейронних мереж

Павло Кудринський, Олександр Звенигородський

Метою роботи була розробка адаптивної методології для аналізу продуктивності хмарних обчислювальних інфраструктур, яка дозволяє підвищити ефективність управління ресурсами та зменшити витрати на обслуговування. Дослідження зосереджене на впровадженні новітніх підходів для автоматизації процесів моніторингу і аналізу. Методологія дослідження включала інтеграцію даних із платформ моніторингу (Amazon Web Services CloudWatch, Google Cloud Monitoring, Prometheus) для збору ключових показників продуктивності. Обробка даних здійснювалася за допомогою Python-бібліотек (NumPy, pandas, scikit-learn) для виявлення аномалій і формування часових рядів. Для моделювання продуктивності застосовувалися рекурентні нейромережі та довго-короткочасних пам’ятей на базі TensorFlow і PyTorch. Реалізація безперервного навчання дозволила адаптувати моделі до змінних умов хмарних систем у реальному часі. Основні результати дослідження включають створення новаторської системи для прогнозування ключових метрик продуктивності хмарних інфраструктур з високою точністю. Це було підтверджено за допомогою метрик середньої абсолютної помилки та корінної середньоквадратичної помилки. Інтеграція даних у реальному часі була забезпечена через платформу Amazon Kinesis, а візуалізація і управління виконувались за допомогою панелей моніторингу Amazon CloudWatch і Grafana. Віртуальні машини та контейнери взаємодіяли з модулями Nova, Glance, Cinder та Neutron, а модуль Keystone забезпечував безпеку через автентифікацію та авторизацію. Автоматичне масштабування ресурсів на основі нейронних мереж оптимізувало використання обчислювальних, мережевих та сховищних ресурсів. Розроблена методологія дозволяє автоматизувати управління хмарними ресурсами, знижуючи потребу в ручному втручанні та зменшуючи витрати. Запропонований метод забезпечував високу швидкість завдяки взаємодії через REST і HTTPS, а також збирав дані у форматі тимчасового ряду для первинної обробки. Інтеграція OpenStack з Apache Spark та використання високошвидкісного каналу передачі даних підвищили ефективність роботи інфраструктури. Висновки показали, що впровадження цієї методології значно підвищує ефективність управління хмарними інфраструктурами

хмарні обчислювальні системи; продуктивність ресурсів; часові ряди; безперервне навчання; оптимізація хмарної інфраструктури; прогнозування навантаження
79-92
Kudrynskyi, P., & Zvenihorodskyi, O. (2025). Adaptive performance monitoring in cloud environments via recurrent neural networks. Information Technologies and Computer Engineering, 22(1), 79-92. https://doi.org/10.63341/vitce/1.2025.79

Використані джерела

[1] Akindote, O.J., Adegbite, A.O., Dawodu, S.O., Omotosho, A., & Anyanwu, A. (2023). Innovation in data storage technologies: From cloud computing to edge computing. Computer Science & IT Research Journal, 4(3), 273-299. doi: 10.51594/csitrj.v4i3.661.

[2] Al-Jumaili, A.H., Muniyandi, R.C., Hasan, M.K., Paw, J.K., & Singh, M.J. (2023). Big data analytics using cloud computing based frameworks for power management systems: Status, constraints, and future recommendations. Sensors, 23(6), article number 2952. doi: 10.3390/s23062952.

[3] Anbalagan, K. (2024). AI in cloud computing: Enhancing services and performance. International Journal of Computer Engineering and Technology, 15(4), 622-635. doi: 10.5281/zenodo.13353681.

[4] Apeh, A.J., Hassan, A.O., Oyewole, O.O., Fakeyede, O.G., Okeleke, P.A., & Adaramodu, O.R. (2023). GRC strategies in modern cloud infrastructures: A review of compliance challenges. Computer Science & IT Research Journal, 4(2), 111-125. doi: 10.51594/csitrj.v4i2.609.

[5] Aslanpour, M.S., Gill, S.S., & Toosi, A.N. (2020). Performance evaluation metrics for cloud, fog and edge computing: A review, taxonomy, benchmarks and standards for future research. Internet of Things, 12, article number 100273. doi: 10.1016/j.iot.2020.100273.

[6] Bagai, R. (2024). Comparative analysis of AWS model deployment services. International Journal of Computer Trends and Technology, 72(5), 102-110. doi: 10.14445/22312803/IJCTT-V72I5P113.

[7] Baytelman, Y., & Potsepaiev, V. (2024). Development of a content management system and its cloud deployment. Scientific Papers of Donetsk National Technical University. Series: “Computer Engineering and Automation”, 2(34), 14-31. doi: 10.31474/2786-9024/v2i2(34).313761.

[8] Behlitsov, S. (2024). Software migration to a cloud architecture automation using an infrastructure as code tool Terraform AWS environment. Computer-Integrated Technologies: Education, Science, Production, 56, 99-106. doi: 10.36910/6775-2524-0560-2024-56-12.

[9] Chinamanagonda, S. (2023). Focus on resilience engineering in cloud services. Academia Nexus Journal, 2(1).

[10] Cluci, M.I., Pinzaru, C., Fotache, M., Rusu, O., & Gasner, P. (2023). OpenStack in higher education and academic research: A case study on benchmarking big data processing tools. In Proceedings of the international conference on advanced scientific computing (pp. 1-6). Cluj-Napoca: IEEE. doi: 10.1109/ICASC58845.2023.10328025.

[11] Dorosh, M., Hrek, I., & Buhai, Yu. (2020). Development of a model of automated personnel selection system using artificial intelligence methods. Technical Sciences and Technologies, 20(2), 158-166.

[12] Duan, T., Chen, R., Wang, P., Zhao, J., Liu, J., Han, S., Liu, Y., & Xu, F. (2025). BSODiag: A global diagnosis framework for batch servers outage in large-scale cloud infrastructure systems. ArXiv. doi: 10.48550/arXiv.2502.15728.

[13] Gumaste, S., Narayan, D.G., Shinde, S., & Amit, K. (2020). Detection of DDoS attacks in OpenStack-based private cloud using Apache Spark. Journal of Telecommunications and Information Technology, 82(4), 62-71. doi: 10.26636/ jtit.2020.146120.

[14] Ileana, M., Oproiu, M.I., & Marian, C.V. (2024). Using docker swarm to improve performance in distributed web systems. In Proceedings of the international conference on development and application systems (pp. 1-6). Suceava: IEEE. doi: 10.1109/DAS61944.2024.10541234.

[15] Islam, M.T., Srirama, S.N., Karunasekera, S., & Buyya, R. (2020). Cost-efficient dynamic scheduling of big data applications in Apache Spark on cloud. Journal of Systems and Software, 162, article number 110515. doi: 10.1016/j. jss.2019.110515.

[16] Krishnan, P., Jain, K., Aldweesh, A., Prabu, P., & Buyya, R. (2023). OpenStackDP: A scalable network security framework for SDN-based OpenStack cloud infrastructure. Journal of Cloud Computing, 12(1), article number 26. doi: 10.1186/ s13677-023-00406-w.

[17] Krishnaveni, S., Sivamohan, S., Sridhar, S.S., & Prabakaran, S. (2021). Efficient feature selection and classification through ensemble method for network intrusion detection on cloud computing. Cluster Computing, 24(3), 1761-1779. doi: 10.1007/s10586-020-03222-y.

[18] Kuprienko, A., & Galchynskyi, L. (2023). Agent-based model of access rights mining in cloud environments. In Proceedings of the 3rd international scientific and practical conference “Science and education in progress” (pp. 482490). Dublin: InterConf.

[19] Li, H., Wang, S.X., Shang, F., Niu, K., & Song, R. (2024). Applications of large language models in cloud computing: An empirical study using real-world data. International Journal of Innovative Research in Computer Science & Technology, 12(4), 59-69. doi: 10.55524/ijircst.2024.12.4.10.

[20] Li, L., Ke, X., Wang, G., & Shi, J. (2024). AI-enhanced security for large-scale Kubernetes clusters: Advanced defense and authentication for national cloud infrastructure. Journal of Theory and Practice of Engineering Science, 4(12), 25-38. doi: 10.5281/zenodo.14195743.

[21] Malallah, H.S., Qashi, R., Abdulrahman, L.M., Omer, M.A., & Yazdeen, A.A. (2023). Performance analysis of enterprise cloud computing: A review. Journal of Applied Science and Technology Trends, 4(1), 1-12. doi: 10.38094/jastt401139.

[22] Namasudra, S., Chakraborty, R., Kadry, S., Manogaran, G., & Rawal, B.S. (2021). FAST: Fast accessing scheme for data transmission in cloud computing. Peer-to-Peer Networking and Applications, 14, 2430-2442. doi: 10.1007/s12083-02000959-6.

[23] Nikitina, L., Dzheniuk, N., & Borysova, L. (2024). An expert system for cloud service risk assessment. Control, Navigation and Communication Systems. Academic Journal, 1(75), 146-151. doi: 10.26906/SUNZ.2024.1.146.

[24] Opirskyy, I., Vasylyshyn, S., & Susukailo, V. (2021). Investigating cybercrime with honeypots in the cloud. Ukrainian Scientific Journal of Information Security, 27(1), 20-26. doi: 10.18372/2225-5036.26.15574.

[25] Rahman, A., Ashrafuzzaman, M., Jim, M., & Sultana, R. (2024). Cloud security posture management automating risk identification and response in cloud infrastructures. Academic Journal on Science, Technology, Engineering & Mathematics Education, 4(3), 151-162. doi: 10.69593/ajsteme.v4i03.103.

[26] Shaffi, S.M. (2025). Transforming healthcare with real-time big data analytics: Opportunities, challenges, and future directions. International Journal for Multidisciplinary Research, 7(1). doi: 10.36948/ijfmr.2025.v07i01.36459.

[27] Tang, S., He, B., Yu, C., Li, Y., & Li, K. (2020). A survey on spark ecosystem: Big data processing infrastructure, machine learning, and applications. IEEE Transactions on Knowledge and Data Engineering, 34(1), 71-91. doi: 10.1109/ TKDE.2020.2975652.

[28] Varanitskyi, D., Rozkolodko, O., Liuta, M., Zakharova, M., & Hotunov, V. (2024). Analysis of data protection mechanisms in cloud environments. Technologies and Engineering, 25(1), 9-16. doi: 10.30857/2786-5371.2024.1.1.

[29] Vavilenkova, A. (2024). The threats from using cloud services in the field of cyber security. Electronic Professional Scientific Journal “Cybersecurity: Education, Science, Technique”, 2(26), 409-416. doi: 10.28925/2663-4023.2024.26.704.

[30] Zahvoyskyi, R.Y., & Kazymyra, I.Y. (2024). Monitoring complex computing systems using artificial intelligence tools. In International science-practical conference “Forestry education and science: Current challenges and development prospects”. doi: 10.36930/conf150.5.12.