СПОСІБ ПІДВИЩЕННЯ ШВИДКОДІЇ ВИЯВЛЕННЯ АНОМАЛІЙ В ЧАСОВИХ РЯДАХ ПОКАЗНИКІВ РОБОТИ ХМАРНИХ ТЕХНОЛОГІЙ
DOI:
https://doi.org/10.31649/1997-9266-2026-185-2-29-39Ключові слова:
декомпозиція часових рядів, MSTL, виявлення аномалій, хмарні ІТ-системи, лінійна регресіяАнотація
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.
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.
##submission.downloads##
-
pdf
Завантажень: 0
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
Автори, які публікуються у цьому журналі, згодні з такими умовами:
- Автори зберігають авторське право і надають журналу право першої публікації.
- Автори можуть укладати окремі, додаткові договірні угоди з неексклюзивного поширення опублікованої журналом версії статті (наприклад, розмістити її в інститутському репозиторії або опублікувати її в книзі), з визнанням її первісної публікації в цьому журналі.
- Авторам дозволяється і рекомендується розміщувати їхню роботу в Інтернеті (наприклад, в інституційних сховищах або на їхньому сайті) до і під час процесу подачі, оскільки це сприяє продуктивним обмінам, а також швидшому і ширшому цитуванню опублікованих робіт (див. вплив відкритого доступу).
