Библиографическое описание:Анализ подходов к решению задачи прогнозирования загрузки системы хранения данных : научное издание / В. В. Тынченко, Т. Э. Хохрякова. - Текст : непосредственный // Информатика. Экономика. Управление. - 2023. - Т.2, №1. - С. 201-209. - ISSN 2782-5280, DOI 10.47813/2782-5280-2023-2-1-0201-0209.
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.
The data storage system is a complex software and hardware solution for organizing reliable storage of information resources, as well as fault-tolerant, high-performance data access. Automating storage management will increase data availability and system speed to ensure consistent performance and business continuity. The purpose of the article is to review and select machine learning methods that are most suitable for solving the problem of predicting the load of a storage system. Observations of the filling of system volumes are inherently a time series. Therefore, the load forecasting problem can be interpreted as a time series forecasting problem. For further development of the forecasting algorithm, the most popular statistical and structural models, namely regression, autoregression and neural networks, are considered, the advantages and disadvantages of each approach are highlighted.
