Forecasting HIGH-LOAD systems

Скорочена інформація про документ
dc.contributor.authorZhukovska, Olga
dc.contributor.authorShperlov, Ruslan
dc.date.accessioned2022-05-30T12:04:39Z
dc.date.available2022-05-30T12:04:39Z
dc.date.issued2021
dc.description.abstractenIn this article, analytical and prognostic model of the information system load was performed, which in metric terms is based on the number of requests to the system per second. The studied statistical data of this indicator outline the main trajectory of its time series, which allows to find patterns of the past and predict the further vector of development. The relevance of this study is a priority challenge in the IT industry, because the scale of information systems, even small companies is so cumbersome that the cost of their maintenance is the lion's share of company revenue. Another significant reason for the urgency is the global crisis provoked by the Covid-19 pandemic. It helped to find new methods of selling goods, taking into account social distance and reducing financial losses. In this regard, most product companies are moving their business to the virtual world, creating a great demand for the formation of their own IT - infrastructures .The presence of predicted values provides business confidence in the stability of their product or technology, which directly affects the cost of implemented software code and future revenue. Timely detection of peak loads or, conversely, subsidence in the system, helps to prevent the principle of "house of cards" and protect dependent family processes in the company. Long-term vision of the time series provides the company with the oppor-tunity to prepare for infrastructure changes and provides a certain period of time to update the technical base or expand the capabilities of their " Cloud Services ". For this purpose, based on statistics built prognosis based integrated moving average or ARIMA - models performed statistically identify the trend by analyzing the autocorrelation function. It was decided to group the data according to the time of day to increase the forecast periods and increase the accuracy of the model forecast. The analysis of autocorrelation and partial autocorrelation consistent differences to identify AR - or MA -processes. Several candidate mod-els for each grouped series were built on the basis of the analysis of the significance of the last nonzero lags. Each model was checked the similarity residues "white noise" and normal distribution coefficients based on using the Q-statistics Ljung-Box. Consolidated forecasts were compared and evaluated to identify the lowest percentage error. The cost of savings for the forecast period was estimated. Based on these data, it was concluded that the importance of conducting research data using such meth-ods of forecasting and data analysis for different vectors of IT companies.uk
dc.description.abstractukУ статті проведено аналітико-прогностичне моделювання завантаженості інформаційної системи, що в метричному виразі базується на кількості запитів до системи в секунду. Досліджені статистичні дані показника кількості запитів до системи дозволяють знаходити закономірності минулого та прогнозувати подальший вектор розвитку. Актуальність даного дослідження є пріоритетним напрямом в IT-індустрії, адже масштабність інформаційних систем навіть малих компаній є настільки громісткою, що затрати на їх утримання становлять велику долю доходу компаній. Зазначено, що однією значною причиною актуальності є світова криза, спровокована пандемією Covid-19. Саме вона посприяла пошуку нових методів збуту товарів з урахуванням соціальної дистанції та зменшення фінансових втрат. В зв’язку із цим більшість продуктових компаній переводять свій бізнес у віртуальний світ, створюючи неабиякий попит формування власних IT-інфраструктур. Наявність прогнозованих значень забезпечує впевненість бізнесу в стабільності їх продукту чи технології, що напряму впливає на собівартість реалізованого програмного коду та майбутній отриманий дохід. Своєчасність виявлення пікових навантажень або ж навпаки – просідань в системі, допомагають запобігти принципу «карткового домику», та захистити залежні родинні процеси в компанії. Довгострокове бачення руху часового ряду забезпечує компанії можливість підготовки до інфраструктурних змін та надає певний період часу для оновлення технічної бази чи розширення можливостей їх «Cloud Services». З цією метою на основі статистичних даних був побудований прогноз на основі інтегрованого ковзного середнього або ж ARIMA-моделі, проведено статистичне виявлення тренду шляхом аналізу автокореляційних функцій. Було прийнято рішення щодо групування даних відповідно пори доби для збільшення прогнозованих періодів та більшої точності прогнозу моделі. Проаналізовано автокореляційну та часткову автокореляційну функції для часового ряду послідовних різниць для виявлення AR- та MA-процесів. На основі аналізу значущості останніх ненульових лагів побудовано декілька кандидатних моделей для кожного групованого ряду. Кожна модель була провірена на подібність залишків «білому шуму» та нормальності розподілу коефіцієнтів. Зведені прогнози були порівняні та оцінені для виявлення найменшої відсоткової похибки. Було оцінено вартість заощаджень для прогнозованого періоду. На основі цих даних був зроблений висновок, щодо важливості проведення даних досліджень із використанням таких методів прогнозу та аналізу даних для різних векторів діяльності IT-компанії.uk
dc.format.pagerangeС. 192-198uk
dc.identifier.citationZhukovska, O. Forecasting HIGH-LOAD systems / Olga Zhukovska, Ruslan Shperlov // Економічний вісник НТУУ «КПІ» : збірник наукових праць. – 2021. – № 18. – С. 192-198. – Бібліогр.: 8 назв.
dc.identifier.doihttps://doi.org/10.20535/2307-5651.18.2021.231293
dc.identifier.orcid0000-0003-1110-9696uk
dc.identifier.orcid0000-0003-2430-1011uk
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/47614
dc.language.isoenuk
dc.publisherКПІ ім. Ігоря Сікорськогоuk
dc.publisher.placeКиївuk
dc.sourceЕкономічний вісник НТУУ «КПІ»: збірник наукових праць, 2021, № 18uk
dc.subjectinformation systemuk
dc.subjecthigh loaduk
dc.subjectARIMA-modeluk
dc.subjectforecastinguk
dc.subjectlaguk
dc.subjectінформаційна системаuk
dc.subjectвисоке навантаженняuk
dc.subjectARIMA-модельuk
dc.subjectпрогнозуванняuk
dc.subjectлагuk
dc.subject.udc330.43uk
dc.titleForecasting HIGH-LOAD systemsuk
dc.typeArticleuk

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
EV-2021-18_p192-198.pdf
Розмір:
733.65 KB
Формат:
Adobe Portable Document Format
Опис:
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
9.1 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Економічний вісник НТУУ «КПІ»: збірник наукових праць, № 18