Інформаційні технології та комп'ютерна техніка

СПОСІБ ПІДВИЩЕННЯ ШВИДКОДІЇ ВИЯВЛЕННЯ АНОМАЛІЙ В ЧАСОВИХ РЯДАХ ПОКАЗНИКІВ РОБОТИ ХМАРНИХ ТЕХНОЛОГІЙ

Автор(и)

Г. А. Пахаренко ORCID 0009-0003-5118-2537
Національний університет «Львівська політехніка» ROR
О. І. Шпак ORCID 0000-0002-2093-9029
Національний університет «Львівська політехніка» ROR
DOI https://doi.org/10.31649/1997-9266-2026-185-2-29-39

Ключові слова

декомпозиція часових рядів MSTL виявлення аномалій хмарні ІТ-системи лінійна регресія

Анотація

В сучасній хмарній IT інфраструктурі необхідно відстежувати сотні показників (метрик) на наявність аномалій для забезпечення стабільної роботи ІТ-систем. Багато з цих показників мають мультисезонний характер, і вимагають декомпозиції на компоненти: тренд, сезонність та лишки. Більшість з відомих методів декомпозиції потребують великих обчислювальних ресурсів, зокрема, широко застосовуваний метод мультисезонної тренд декомпозиціїї з використанням локально обчислювального згладжування діаграми розсіювання (Multiple Seasonal-Trend decomposition using Loess/MSTL). У статті пропонується альтернативний підхід виявлення аномалій у великому масиві показників хмарної інфраструктури Google Cloud Platform, ефективніший з погляду використання обчислювальних ресурсів для застосування в режимі близькому до реального часу. Сутність підходу полягає у виявленні лінійно залежних один від одного показників, моделюванні їхньої трендової та сезонної компоненти за допомогою лінійної регресії від інших показників, та пошуку аномалій у лишковому компоненті. Це дозволяє з меншими витратами обчислювальних ресурсів знаходити аномальні значення показника, та оптимізує роботу центрів моніторингу хмарної інфраструктури. В роботі продемонстровано підхід до виділення набору показників, придатних до застосування декомпозиції в поєднанні з лінійною регресією, розрахунок оптимальної довжини часового ряду для знаходження коефіцієнтів регресії та критерії виявлення аномальних значень показників. Експериментально перевірено ефективність поєднання декомпозиції та лінійної регресії в реальній хмарній інфраструктурі високонавантажених веб-застосунків в контейнерах Google Cloud Platform. Виявлено, що критерії пошуку аномалій на базі нерівності Чєбишова є найприйнятнішими у таких завданнях. Знайдено зв’язок архітектури системи та статистичних особливостей показників, що впливає на їх вибір в запропонованому підході до оптимізації.

195 111

Як цитувати

[1]
«СПОСІБ ПІДВИЩЕННЯ ШВИДКОДІЇ ВИЯВЛЕННЯ АНОМАЛІЙ В ЧАСОВИХ РЯДАХ ПОКАЗНИКІВ РОБОТИ ХМАРНИХ ТЕХНОЛОГІЙ», Вісник ВПІ, вип. 2, с. 29–39, Квіт 2026, doi: 10.31649/1997-9266-2026-185-2-29-39.

Біографії авторів

автор Г. А. Пахаренко, афіліація Національний університет «Львівська політехніка»

аспірант кафедри комп’ютерізованих систем автоматики Інституту комп’ютерних технологій, автоматики та метрології

автор О. І. Шпак, афіліація Національний університет «Львівська політехніка»

канд. техн. наук, доцент кафедри комп’ютерізованих систем автоматики Інституту комп’ютерних технологій, автоматики та метрології

Посилання

I. Danylyuk, and L. Budnyk, “Technology of carryng out a comprehrnsive IT monitoring of the company,” Galician economic journal, vol. 87, no. 2, pp. 40-49, 2024, https://doi.org/10.33108/galicianvisnyk_tntu2024.02.040. Available: https://galicianvisnyk.tntu.edu.ua/index.php?art=1280. Accessed: Dec. 11, 2025.
A. Mishra, R. Sriharsha, and S. Zhong, “OnlineSTL: scaling time series decomposition by 100x,” Proc. VLDB Endow., vol. 15, no. 7, pp. 1417-1425, Mar. 2022, https://doi.org/10.14778/3523210.3523219. Available: https://dl.acm.org/doi/10.14778/3523210.3523219. Accessed: Dec. 11, 2025.
Г. Пахаренко, «Використання декомпозиції часових рядів в задачах моніторингу хмарної інфраструктури,» in Future of Work: Technological, Generational and Social Shifts. Proceedings of the 4th International Scientific and Practical Internet Conference, May 2025, pp. 160-163.
T. Mathonsi, and T. L. V. Zyl, “Multivariate anomaly detection based on prediction intervals constructed using deep learning,” Neural Comput & Applic, vol. 37, no. 2, pp. 707-721, Jan. 2025, https://doi.org/10.1007/s00521-021-06697-x. Available: https://link.springer.com/10.1007/s00521-021-06697-x. Accessed: Dec. 11, 2025.
K. Bandara, R. J. Hyndman, and C. Bergmeir, “MSTL: A Seasonal-Trend Decomposition Algorithm for Time Series with Multiple Seasonal Patterns.” arXiv, 2021. https://doi.org/10.48550/ARXIV.2107.13462. Available: https://arxiv.org/abs/2107.13462. Accessed: Dec. 11, 2025.
S. J. Taylor, and B. Letham, “Forecasting at scale.” Sept. 27, 2017. https://doi.org/10.7287/peerj.preprints.3190v2. Available: https://peerj.com/preprints/3190v2. Accessed: Dec. 11, 2025.
A. T. Williams, R. E. Sperl, and S. M. Chung, “Anomaly Detection in Multi-Seasonal Time Series Data,” IEEE Access, vol. 11, pp. 106456-106464, 2023, https://doi.org/10.1109/ACCESS.2023.3317791. Available: https://ieeexplore.ieee.org/document/10256098/. Accessed: Dec. 11, 2025.
Z. Zhang, K. Nie, and T. T. Yuan, “Moving Metric Detection and Alerting System at eBay,” arXiv, 2020. https://doi.org/10.48550/ARXIV.2004.02360. Available: https://arxiv.org/abs/2004.02360. Accessed: Dec. 11, 2025.
A. Dokumentov, and R. J. Hyndman, “STR: Seasonal-Trend Decomposition Using Regression.” arXiv, 2020. https://doi.org/10.48550/ARXIV.2009.05894. Available: https://arxiv.org/abs/2009.05894. Accessed: Dec. 11, 2025.
Q. Wen, J. Gao, X. Song, L. Sun, H. Xu, and S. Zhu, “RobustSTL: A Robust Seasonal-Trend Decomposition Algorithm for Long Time Series.” arXiv, 2018. https://doi.org/10.48550/ARXIV.1812.01767. Available: https://arxiv.org/abs/1812.01767. Accessed: Dec. 11, 2025.
O. Yunkova, and P. Kucher, “Modeling and forecasting of commodity markets based on the decomposition method,” MISE, no. 101, pp. 182-191, Dec. 2021, https://doi.org/10.33111/mise.101.15. Available:
https://mise.kneu.ua/archive/2021/101.15. Accessed: Dec. 11, 2025.
O. P. Gozhy, I. O. Kalinina, V. O. Gozhy, and V. V. Dymo, “System approach to forecasting electricity demand based on machine learning,” System technologies, vol. 3, no. 158, pp. 36-47, Apr. 2025, https://doi.org/10.34185/1562-9945-3-158-2025-05. Available: https://journals.nmetau.edu.ua/index.php/st/article/view/1994. Accessed: Dec. 11, 2025.
I. Kalinina, P. Bidyuk, A. Gozhyj, and P. Malchenko, “Combining Forecasts Based on Time Series Models in Machine Learning Tasks,” MoMLeT+DS 2023, Lviv, June 2023. Available: https://ceur-ws.org/Vol-3426/paper3.pdf
I. Koblianska, L. Kalachevska, S. Minta, N. Strochenko, and S. Lukash, “Modelling and forecasting of potato sales prices in Ukraine,” Agric. resour. econ., vol. 7, no. 4, pp. 160-179, Dec. 2021, https://doi.org/10.51599/are.2021.07.04.09. Available: https://are-journal.com/are/article/view/483. Accessed: Dec. 11, 2025.
T. Marynych, “Comparative Analysis of Univariate Time Series Modeling and Forecasting Techniques for Short-Term Unstable Data,” Математичне моделювання в техніці та технологіях. Вісник НТУ «ХПІ», vol. 6, no. 1128, pp. 63-69, 2017.
Шмундяк Д. О., Мокін В. Б. «Метод ідентифікації параметрів гармонік та аномалій періодичного часового ряду на основі адаптивної декомпозиції,» Вісник Вінницького політехнічного інституту, № 6, с. 46-56, 2023, https://doi.org/10.31649/1997-9266-2023-171-6-46-56.
Лосенко А. В., «Інформаційна технологія прогнозування часового ряду кількості хворих на коронавірус на основі моделі Facebook Prophet,» Вісник Вінницького політехнічного інституту, № 5, с. 50-59, 2023. https://doi.org/10.31649/1997-9266-2023-170-5-50-59. Дата звернення: груд., 11, 2025.
A. Anwar, A. Sailer, A. Kochut, and A. R. Butt, “Anatomy of Cloud Monitoring and Metering: A case study and open problems,” in Proceedings of the 6th Asia-Pacific Workshop on Systems, Tokyo Japan: ACM, July 2015, pp. 1-7. https://doi.org/10.1145/2797022.2797039. Available: https://dl.acm.org/doi/10.1145/2797022.2797039. Accessed: Dec. 11, 2025.
L. Yang, Q. Wen, B. Yang, and L. Sun, “A Robust and Efficient Multi-Scale Seasonal-Trend Decomposition,” 2021, https://doi.org/10.48550/ARXIV.2109.08800. Available: https://arxiv.org/abs/2109.08800. Accessed: Dec. 11, 2025.
A. Singal, D. Pathak, K. Ray, F. George, M. Verma, and P. Moogi, “Metric Criticality Identification for Cloud Microservices.” arXiv, 2025. https://doi.org/10.48550/ARXIV.2501.03547. Available: https://arxiv.org/abs/2501.03547. Accessed: Dec. 11, 2025.
R. M. Karp, “Reducibility Among Combinatorial Problems,” in 50 Years of Integer Programming 1958-2008, M. Jünger, T. M. Liebling, D. Naddef, G. L. Nemhauser, W. R. Pulleyblank, G. Reinelt, G. Rinaldi, and L. A. Wolsey, Eds., Berlin, Heidelberg: Springer Berlin Heidelberg, 2010, pp. 219-241. https://doi.org/10.1007/978-3-540-68279-0_8. Available:
http://link.springer.com/10.1007/978-3-540-68279-0_8. Accessed: Dec. 11, 2025.
R. Kohavi, and G. H. John, “Wrappers for feature subset selection,” Artificial Intelligence, vol. 97, no. 1-2, pp. 273-324, Dec. 1997, https://doi.org/10.1016/S0004-3702(97)00043-X. Available: https://linkinghub.elsevier.com/retrieve/pii/S000437029700043X. Accessed: Dec. 11, 2025.
R. Cleveland, STL: A Seasonal-Trend Decomposition Procedure Based on Loess, 1990.
W. Cleveland, “Robust Locally Weighted Regression and Smoothing Scatterplots,” J. Am. Stat. Assoc, vol. 74, no. 368, pp. 829-836, 1979.
Z. Ouyang, M. Jabloun, and P. Ravier, “STLformer: Exploit STL Decomposition and Rank Correlation for Time Series Forecasting,” in 2023 31st European Signal Processing Conference (EUSIPCO), Helsinki, Finland: IEEE, Sept. 2023, pp. 1405-1409. https://doi.org/10.23919/EUSIPCO58844.2023.10290126. Available: https://ieeexplore.ieee.org/document/10290126/. Accessed: Dec. 11, 2025.
M. Braverman, “The Gradient Complexity of Linear Regression” Proceedings of Thirty Third Conference on Learning Theory, PLMR, 2020, pp. 627-647.
A. Frank, D. Fabregat-Traver, and P. Bientinesi, “Large-scale linear regression: Development of high-performance routines,” Applied Mathematics and Computation, vol. 275, pp. 411-421, Feb. 2016, https://doi.org/10.1016/j.amc.2015.11.078. Available: https://linkinghub.elsevier.com/retrieve/pii/S0096300315015805. Accessed: Dec. 11, 2025.
R. P. Hafen, et al., “Syndromic surveillance: STL for modeling, visualizing, and monitoring disease counts,” BMC Med Inform Decis Mak, vol. 9, no. 1, p. 21, Dec. 2009, https://doi.org/10.1186/1472-6947-9-21. Available: https://bmcmedinformdecismak.biomedcentral.com/articles/10.1186/1472-6947-9-21. Accessed: Dec. 11, 2025.
F. E. Grubbs, “Procedures for Detecting Outlying Observations in Samples,” Technometrics, vol. 11, no. 1, pp. 1-21, Feb. 1969, https://doi.org/10.1080/00401706.1969.10490657. Available: http://www.tandfonline.com/doi/abs/10.1080/00401706.1969.10490657. Accessed: Dec. 11, 2025.
М. Бешлей, А. Прислупський, М. Медвецький, і Г. Бешлей, «Інтелектуальна система моніторингу та аналізу трафіку для виявлення атак в програмно-конфігурованих мережах,» ICTEE, т. 2, № 1, с. 1-11, 2022, https://doi.org/10.23939/ictee2022.01.001. Available: http://ictee.arleons.com/?journal=ictee&page=issue&op=view&path%5B%5D=ictee-2-1-22&path%5B%5D=ictee-2-1-22-st1. Accessed: Dec. 11, 2025.
A. Senyk, Y. Pyrih, and O. Shpur, “Study of the Intelligent Monitoring Algorithm of Qos in the Mass Service Systems,” ICTEE, vol. 4, no. 2, pp. 103-112, Oct. 2024, https://doi.org/10.23939/ictee2024.02.103. Available:
https://science.lpnu.ua/ictee/all-volumes-and-issues/volume-4-number-2-2024/study-intelligent-monitoring-algorithm-qos-mass. Accessed: Dec. 11, 2025.
А. Гребенник, «Виявлення та прогнозування рівня загроз для корпоративної комп’ютерної мережі,» Технічні науки та технології, т. 2, № 20, с. 175-185, 2020.
O. M. Shopskyi, and R. R. Golovatiy, “Application of machine learning models for early detection of emergency situations based on streaming big data,” NMetAU Journals, vol. 4, no. 159, pp. 85-98, May 2025, https://doi.org/10.34185/1562-9945-4-159-2025-09. Available: https://journals.nmetau.edu.ua/index.php/st/article/view/2043. Accessed: Dec. 11, 2025.
O. Yu. Tarnovetska, K. P. Hazdiuk, S. M. Balen, and K. M. Dmytrashchuk, “Study of Internet System Connection to Monitoring Using Modern Devops TechnologieS,” Scientific notes of Taurida National V.I. Vernadsky University. Series: Technical Sciences, vol. 1, no. 1, pp. 295-302, 2024, https://doi.org/10.32782/2663-5941/2024.1.1/44. Available: https://www.tech.vernadskyjournals.in.ua/journals/2024/1_2024/part_1/46.pdf. Accessed: Dec. 11, 2025.
X. He, Y. Li, J. Tan, B. Wu, and F. Li, “OneShotSTL: One-Shot Seasonal-Trend Decomposition for Online Time Series Anomaly Detection And Forecasting,” Proc. VLDB Endow., vol. 16, no. 6, pp. 1399-1412, Feb. 2023, https://doi.org/10.14778/3583140.3583155. Available: https://dl.acm.org/doi/10.14778/3583140.3583155. Accessed: Dec. 11, 2025.
H. Wang, H. Guo, Z. Zhu, Y. Zhang, Y. Zhou, and X. Zheng, “BacktrackSTL: Ultra-Fast Online Seasonal-Trend Decomposition with Backtrack Technique,” in Proceedings of the 30th ACM SIGKDD Conference on Knowledge Discovery and Data Mining, Barcelona Spain: ACM, Aug. 2024, pp. 5848-5859. https://doi.org/10.1145/3637528.3671510. Available: https://dl.acm.org/doi/10.1145/3637528.3671510. Accessed: Dec. 11, 2025.