Прогнозирование нагрузки на микросервисную систему с использованием метода ARIMA и байесовских сетей
Year: 2026
Type: article
Abstract: В статье представлен подход прогнозирования нагрузки на микросервисную систему, объединяющий методы анализа временных рядов ARIMA и вероятностный вывод в байесовских сетях. Он позволяет учитывать как шаблоны нагрузки на отдельные микросервисы во времени, так и структурные зависимости между этими микросервисами. Представленный подход состоит из двух этапов: на первом этапе ARIMA-модели строят независимые прогнозы для каждого микросервиса, а на втором этапе байесовская сеть корректирует полученные прогнозы с учетом зависимостей между микросервисами и распространения нагрузки от сервиса к сервису. Итоговый прогноз состоит из взвешенных результатов обоих этапов. Кроме того, предусмотрен критерий обнаружения аномальной нагрузки, благодаря которому система прогнозирования способна реагировать на нее, изменяя веса и другие параметры алгоритма. Проводится экспериментальная проверка программной реализации подхода на данных реальных систем. Результаты сравниваются, в первую очередь, с изолированным применением ARIMA и с применением Long-Short Term Memory (LSTM) сетей для той же задачи. Алгоритм показывает себя перспективным к применению в задаче прогнозирования нагрузки. The article presents an approach to predicting the load on a microservice system that combines ARIMA time series analysis methods and probabilistic inference in Bayesian networks. This approach allows for the consideration of both the load patterns on individual microservices over time and the structural dependencies between these microservices. The presented approach consists of two stages: in the first stage, ARIMA models build independent forecasts for each microservice, and in the second stage, a Bayesian network adjusts the obtained forecasts, taking into account dependencies between microservices and the propagation of load from service to service. The final forecast consists of the weighted results of both stages. In addition, an anomaly detection criterion is provided, which allows the forecasting system to respond to anomalies by changing the weights and other parameters of the algorithm. The approach is experimentally tested using real-world system data. The results are compared with the isolated use of ARIMA and the use of Long-Short Term Memory (LSTM) networks for the same task. The algorithm shows promise for use in load forecasting.
Author: В.Р. Четвертухин
Institution: Belgorod State Technological University
Language: Russian
Subfield: Computer Networks and Communications
Field: Computer Science
Domain: Physical Sciences
Open Access status: hybrid
OpenAlex ID: W7162020992