МЕТОД АДАПТИВНОГО МАСШТАБУВАННЯ ХМАРНИХ РЕСУРСІВ НА ОСНОВІ НАВЧАННЯ З ПІДКРІПЛЕННЯМ

Андрій Пазинін

doi:10.28925/2663-4023.2026.35.1385

Автор(и)

Андрій Пазинін Інститут телекомунікацій і глобального інформаційного простору Національної академії наук України https://orcid.org/0009-0002-9506-9539

DOI:

https://doi.org/10.28925/2663-4023.2026.35.1385

Ключові слова:

хмарна інфраструктура, адаптивне масштабування, навчання з підкріпленням, хмарні ресурси, автоматизоване керування, оптимізація ресурсів, інтелектуальні системи, розподілені обчислення, масштабування навантаження, прийняття рішень

Анотація

У статті розглянуто проблему адаптивного масштабування ресурсів хмарної інфраструктури в умовах динамічної зміни навантаження, нерівномірного використання обчислювальних ресурсів та необхідності забезпечення стабільності функціонування інформаційних сервісів. Встановлено, що традиційні підходи до горизонтального й вертикального масштабування переважно базуються на статичних порогових правилах або прогнозних моделях, які не забезпечують достатньої гнучкості в умовах змінного середовища та не враховують багатокритеріальний характер процесу керування ресурсами. Обґрунтовано доцільність використання методів навчання з підкріпленням для формування адаптивної стратегії керування хмарною інфраструктурою. У роботі проаналізовано сучасні методи автоматизованого масштабування ресурсів, моделі прийняття рішень у хмарних системах та підходи до використання методів навчання з підкріпленням у задачах оптимізації навантаження. Запропоновано метод адаптивного масштабування хмарних ресурсів, який базується на використанні інтелектуального агента, що здійснює оцінювання поточного стану інфраструктури, аналізує параметри навантаження, затримки обробки запитів, рівень використання процесорних ресурсів та оперативної пам’яті й формує оптимальну стратегію масштабування. Розроблено модель станів, систему винагороди та механізм вибору керуючих дій для автоматизованого розподілу ресурсів. У межах експериментального дослідження проведено порівняння запропонованого методу з класичними алгоритмами автоматизованого масштабування. Отримані результати підтвердили зниження затримок обробки запитів, підвищення ефективності використання ресурсів і покращення стабільності функціонування хмарної системи. Практичне значення роботи полягає у можливості застосування запропонованого методу для автоматизованого керування ресурсами у великих розподілених інформаційних системах та сучасних сервісах.

Завантаження

Дані завантаження ще не доступні.

Посилання

Qiu, H., Mao, W., Wang, C., Franke, H., Youssef, A., Kalbarczyk, Z. T., Başar, T., & Iyer, R. K. (2023). AWARE: Automate workload autoscaling with reinforcement learning in production cloud systems. In 2023 USENIX Annual Technical Conference (USENIX ATC 23) (pp. 387–402).

Mishra, P., Hans, S., Saha, D., & Moogi, P. (2024). Optimizing cloud workloads: Autoscaling with reinforcement learning. In 2024 IEEE 17th International Conference on Cloud Computing (CLOUD) (pp. 217–222). IEEE. https://doi.org/10.1109/CLOUD62652.2024.00033

Alharthi, S., Alshamsi, A., Alseiari, A., & Alwarafy, A. (2024). Auto-scaling techniques in cloud computing: Issues and research directions. Sensors, 24(17), 5551. https://doi.org/10.3390/s24175551

Pintye, I., Kovács, J., & Lovas, R. (2024). Enhancing machine learning-based autoscaling for cloud resource orchestration. Journal of Grid Computing, 22, 68. https://doi.org/10.1007/s10723-024-09783-1

Feng, X., Zhang, S., Jiao, T., Guo, C., & Song, J. (2025). Adaptive container auto-scaling for fluctuating workloads in cloud. Future Generation Computer Systems, 172, 107872. https://doi.org/10.1016/j.future.2025.107872

Moreno-Vozmediano, R., Huedo, E., Montero, R. S., & Llorente, I. M. (2025). AI-driven resource allocation and auto-scaling of VNFs in edge-5G-IoT ecosystems. Electronics, 14(9), 1808. https://doi.org/10.3390/electronics14091808

Alatawi, M. N. (2025). Optimizing multitenancy: Adaptive resource allocation in serverless cloud environments using reinforcement learning. Electronics, 14(15), 3004. https://doi.org/10.3390/electronics14153004

Skladannyi, P., Kostiuk, Y., Sokolov, V., & Khorolska, K. (2026). Network traffic analysis and management. In Handbook of Cybersecurity Challenges and Solutions for Emerging Technologies (pp. 148–172). https://doi.org/10.1201/9781003640790-9

Xu, M., Song, C., Wu, H., Gill, S. S., Ye, K., & Xu, C. (2022). esdnn: Deep neural network based multivariate workload prediction in cloud computing environments. ACM Transactions on Internet Technology, 22(3). https://doi.org/10.1145/3524114

Kostiuk, Y., Skladannyi, P., Sokolov, V., & Rzaieva, S. (2025). Intelligent system for simulation modeling and research of information objects. In Proceedings of the 1st Workshop Software Engineering and Semantic Technologies (SEST 2025) (Vol. 4053, pp. 237–251). CEUR Workshop Proceedings.

Khan, T., Tian, W., Zhou, G., Ilager, S., Gong, M., & Buyya, R. (2022). Machine learning-centric resource management in cloud computing: A review and future directions. Journal of Network and Computer Applications, 204, 103405.

Kostiuk, Y., Skladannyi, P., Sokolov, V., & Vorokhob, M. (2025). Models and technologies of cognitive agents for decision-making with integration of artificial intelligence. In Proceedings of the Modern Data Science Technologies Doctoral Consortium (MoDaST 2025) (Vol. 4005, pp. 82–96). CEUR Workshop Proceedings.

Zhong, Z., Xu, M., Rodríguez, M., Xu, C.-Z., & Buyya, R. (2022). Machine learning-based orchestration of containers: A taxonomy and future directions. ACM Computing Surveys, 54. https://doi.org/10.1145/3510415

Kostiuk, Y., Skladannyi, P., Korshun, N., Bebeshko, B., & Khorolska, K. (2024). Integrated protection strategies and adaptive resource distribution for secure video streaming over a Bluetooth network. In Workshop on Cybersecurity Providing in Information and Telecommunication Systems II (CPITS-II 2024) (Vol. 3826, pp. 129–138). CEUR Workshop Proceedings.

Dixit, A., Gupta, R. K., Dubey, A., & Misra, R. (2021). Machine learning based adaptive auto-scaling policy for resource orchestration in Kubernetes clusters. In International Conference on Internet of Things and Connected Technologies (pp. 1–16). Springer.

Складанний, П. М., Костюк, Ю. В., Мазур, Н. П., & Пітайчук, М. А. (2025). Дослідження характеристик та продуктивності протоколів доступу до хмарних обчислювальних середовищ на основі універсального тестування. Телекомунікаційні та інформаційні технології, 1(86), 61–74. https://doi.org/10.31673/2412-4338.2025.014649

Garí, Y., Monge, D. A., Pacini, E., Mateos, C., & Garino, C. G. (2021). Reinforcement learning-based application autoscaling in the cloud: A survey. Engineering Applications of Artificial Intelligence, 102, 104288.

Костюк, Ю., Складанний, П., Рзаєва, С., Самойленко, Ю., & Коршун, Н. (2025). Інтелектуальні системи керування та захисту в кіберфізичних і хмарних середовищах Smart Grid. Кібербезпека: освіта, наука, техніка, 2(30), 125–156. https://doi.org/10.28925/2663-4023.2025.30.956

Benedetti, P., Femminella, M., Reali, G., & Steenhaut, K. (2022). Reinforcement learning applicability for resource-based auto-scaling in serverless edge applications. In 2022 IEEE International Conference on Pervasive Computing and Communications Workshops (pp. 674–679). IEEE.

Rzaeva, S., Skladannyi, P., Kostiuk, Y., Abramov, V., & Kravchenko, V. (2025). Adaptive information security management in cloud-oriented intelligent transportation systems. Ukrainian Scientific Journal of Information Security, 31(1), 23–36. https://doi.org/10.18372/2225-5036.31.20634

Schuler, L., Jamil, S., & Kühl, N. (2021). AI-based resource allocation: Reinforcement learning for adaptive auto-scaling in serverless environments. In 2021 IEEE/ACM 21st International Symposium on Cluster, Cloud and Internet Computing (CCGrid) (pp. 804–811). IEEE.

Складанний, П., Костюк, Ю., Рзаєва, С., & Мазур, Н. (2025). Паралельна обробка даних у розширюваних хеш-структурах та оцінка їх продуктивності. Кібербезпека: освіта, наука, техніка, 3(31), 242–269. https://doi.org/10.28925/2663-4023.2025.31.1015

Atadoga, A., Umoga, U. J., Lottu, O. A., & Sodiya, E. O. (2024). Evaluating the impact of cloud computing on accounting firms: A review of efficiency, scalability, and data security. Global Journal of Engineering and Technology Advances, 18(2), 065–074.

Довженко, Н., Мазур, Н., Костюк, Ю., & Рзаєва, С. (2024). Інтеграція IОT та штучного інтелекту в інтелектуальні транспортні системи. Кібербезпека: освіта, наука, техніка, 2(26), 430–444. https://doi.org/10.28925/2663-4023.2024.26.708

Patel, Y. S., & Bedi, J. (2023). Mag-d: A multivariate attention network based approach for cloud workload forecasting. Future Generation Computer Systems, 142, 376–392.

Kostiuk, Y., Skladannyi, P., Samoilenko, Y., Khorolska, K., Bebeshko, B., & Sokolov, V. (2024). A system for assessing the interdependencies of information system agents in information security risk management using cognitive maps. In Third International Conference on Cyber Hygiene & Conflict Management in Global Information Networks (CH&CMiGIN’24) (Vol. 3925, pp. 249–264). CEUR Workshop Proceedings.

Chen, X., Zhu, F., Chen, Z., Min, G., Zheng, X., & Rong, C. (2022). Resource allocation for cloud-based software services using prediction-enabled feedback control with reinforcement learning. IEEE Transactions on Cloud Computing, 10(2), 1117–1129. https://doi.org/10.1109/TCC.2020.2992537

Patsias, V., Amanatidis, P., Karampatzakis, D., Lagkas, T., Michalakopoulou, K., & Nikitas, A. (2023). Task allocation methods and optimization techniques in edge computing: A systematic review of the literature. Future Internet, 15(8), 254.