МЕТОД ІНТЕЛЕКТУАЛЬНОГО МОНІТОРИНГУ ТА ОПТИМІЗАЦІЇ РЕСУРСІВ ІТ-ІНФРАСТРУКТУРИ НА ОСНОВІ МАШИННОГО НАВЧАННЯ
DOI:
https://doi.org/10.34185/1991-7848.itmm.2026.01.091Ключові слова:
ІТ-інфраструктура, моніторинг, машинне навчання, прогнозування навантаження, AIOps, балансування ресурсів, нейро-нечіткі системиАнотація
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.
Посилання
Designing Data-Intensive Applications / M. Kleppmann. — O’Reilly Media, 2017.
Observability Engineering / C. Majors et al. — O’Reilly, 2022.
AIOps: Real-World Use Cases and Platforms / S. Dang et al. — Springer, 2021.
Time Series Analysis: Forecasting and Control / G. Box, G. Jenkins. — Wiley, 2015.
Deep Learning / I. Goodfellow, Y. Bengio, A. Courville. — MIT Press, 2016.
Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow / A. Géron. — O’Reilly, 2022.
Kubernetes: Up and Running / K. Burns, B. Grant. — O’Reilly, 2022.
Cloud Native Patterns / C. Richardson. — Manning, 2018.
An SLO-Driven and Cost-Aware Autoscaling Framework for Kubernetes / V. Punniyamoorthy, B. Kumar, S. Saha, L. Butra, M. Palanigounder, A. K. Agarwal, K. Kannan — arXiv, 2025. DOI: https://doi.org/10.48550/arXiv.2512.23415
