pdf
Опубликован
2023-02-14
Выпуск
Раздел
Информатика, вычислительная техника
Лицензия
Copyright (c) 2023 В. В. Тынченко, Т. Э. Хохрякова
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Журнал «Информатика. Экономика. Управление» / «Informatics. Economics. Management» публикует материалы на условиях лицензии CreativeCommons Attribution 4.0 International (CC BY 4.0), размещенной на официальном сайте некоммерческой корпорации Creative Commons: 
This work is licensed under a Creative Commons Attribution 4.0 International License.
Это означает, что пользователи могут копировать и распространять материалы на любом носителе и в любом формате, адаптировать и преобразовывать тексты, использовать контент для любых целей, в том числе коммерческих. При этом должны соблюдаться условия использования — указание автора оригинального произведения и источника: следует указывать выходные данные статей, предоставлять ссылку на источник, а также указывать, какие изменения были внесены.
Как цитировать
Анализ подходов к решению задачи прогнозирования загрузки системы хранения данных
В. В. Тынченко
Сибирский федеральный университет, Красноярск, Россия
Т. Э. Хохрякова
Сибирский федеральный университет, Красноярск, Россия
DOI: https://doi.org/10.47813/2782-5280-2023-2-1-0201-0209
Ключевые слова: прогнозирование временных рядов, машинное обучение, регрессия, авторегрессия, искусственные нейронные сети
Аннотация
Система хранения данных представляет собой комплексное программно-аппаратное решение по организации надёжного хранения информационных ресурсов, а также отказоустойчивого, высокопроизводительного доступа к данным. Автоматизация управления системой хранения данных повысит доступность данных и скорость работы системы, что позволит обеспечить стабильную производительность и непрерывность рабочих процессов. Целью статьи является обзор и выбор методов машинного обучения, наиболее подходящих для решения задачи прогнозирования загрузки системы хранения данных. Наблюдения заполнения томов системы по своей сути являются временным рядом. Следовательно, проблему прогнозирования загрузки можно интерпретировать как проблему прогнозирования временного ряда. Для дальнейшей разработки алгоритма прогнозирования рассмотрены наиболее популярные статистические и структурные модели, а именно регрессия, авторегрессия и нейронные сети, выделены достоинства и недостатки каждого подхода.
Биографии авторов
В. В. Тынченко, Сибирский федеральный университет, Красноярск, Россия
Тынченко Валерия Валериевна, кандидат технических наук, доцент, кафедра информатики, Сибирский федеральный университет, Красноярск, Россия
Т. Э. Хохрякова , Сибирский федеральный университет, Красноярск, Россия
Хохрякова Татьяна Эдуардовна, студент, кафедра информатики, Сибирский федеральный университет, Красноярск, Россия
Библиографические ссылки
Осмонканов А.М., Абдиева Л.К., Курманбекова А.К. Обзор моделей прогнозирования временных рядов. Современные проблемы механики. 2020; 1(39): 35-41.
Шелест А.В., Пархоменко К.А. Обзор методов и моделей прогнозирования временных рядов. Компьютерное проектирование и технология производства электронных систем: сборник тезисов 54 научной конференции. Минск. 2018.
Бокс Дж., Дженкинс Г.М. Анализ временных рядов, прогноз и управление. Москва: Мир; 1974. 406.
Nguyen T.Kh.T., Antoshchuk S., Nikolenko A., Tran K.T., Babilunha O. Non-stationary time series prediction using one-dimensional convolutional neural network models. Herald of Advanced Information Technology. 2020; 3(1): 362-372. https://doi.org/10.15276/hait01.2020.3
Дрейпер Н., Смит Г. Прикладной регрессионный анализ В 2-х томах. Т. 1. Москва: Финансы и статистика; 1986. 366.
Макарычев П.П. Прогнозирование состояния объекта на основе авторегрессионной модели. Технические науки. Информатика, вычислительная техника. 2019; 2(50): 11-20.
Рунова Л.П. Модель авторегрессии и скользящего среднего (ARMA). Ростов-на-Дону: Изд-во ЮФУ; 2013. 59.
Костина Л.Н., Гареева Г.А. Нейронные сети в задачах прогнозирования временных рядов. Инновационная наука. 2015; 2:(6): 70-73.
Дауб И.С. Обзор методов прогнозирования временных рядов с помощью искусственных нейронных сетей. StudNet. 2020; 10.
Катасева Д.В., Катасев А.С., Кирпичников А.П. Нейронечеткая модель анализа и прогнозирования временных рядов. Вестник Казанского технологического университета. 2016; 19(13): 127-131.
REFERENCES
Osmonkanov A.M., Abdieva L.K., Kurmanbekova A.K. Obzor modelej prognozirovaniya vremennyh ryadov. Sovremennye problemy mekhaniki. 2020; 1(39): 35-41.
SHelest A.V., Parhomenko K.A. Obzor metodov i modelej prognozirovaniya vremennyh ryadov. Komp'yuternoe proektirovanie i tekhnologiya proizvodstva elektronnyh sistem: sbornik tezisov 54 nauchnoj konferencii. Minsk. 2018.
Boks Dzh., Dzhenkins G.M. Analiz vremennyh ryadov, prognoz i upravlenie. Moskva: Mir; 1974. 406.
Nguyen T.Kh.T., Antoshchuk S., Nikolenko A., Tran K.T., Babilunha O. Non-stationary time series prediction using one-dimensional convolutional neural network models. Herald of Advanced Information Technology. 2020; 3(1): 362-372. https://doi.org/10.15276/hait01.2020.3 DOI: https://doi.org/10.15276/hait01.2020.3
Drejper N., Smit G. Prikladnoj regressionnyj analiz V 2-h tomah. T. 1. Moskva: Finansy i statistika; 1986. 366.
Makarychev P.P. Prognozirovanie sostoyaniya ob"ekta na osnove avtoregressionnoj modeli. Tekhnicheskie nauki. Informatika, vychislitel'naya tekhnika. 2019; 2(50): 11-20.
Runova L.P. Model' avtoregressii i skol'zyashchego srednego (ARMA). Rostov-na-Donu: Izd-vo YUFU; 2013. 59.
Kostina L.N., Gareeva G.A. Nejronnye seti v zadachah prognozirovaniya vremennyh ryadov. Innovacionnaya nauka. 2015; 2:(6): 70-73.
Daub I.S. Obzor metodov prognozirovaniya vremennyh ryadov s pomoshch'yu iskusstvennyh nejronnyh setej. StudNet. 2020; 10.
Kataseva D.V., Katasev A.S., Kirpichnikov A.P. Nejronechetkaya model' analiza i prognozirovaniya vremennyh ryadov. Vestnik Kazanskogo tekhnologicheskogo universiteta. 2016; 19(13): 127-131.
