Registration Number
0826U001911, PhD dissertation
Status
Доктор філософії
Date
16-06-2026
popup.evolution
o
Title
Optimization of serverless computing in cloud environments
Author
Oleksandr O. Kyrychenko,
popup.head Serhii E. Ostapov
popup.opponent Mykola I. Tsiutsiura
popup.opponent Dmytro Y. Kasatkin
popup.review Sergiy V. Balovsyak
popup.review Kateryna P. Hazdiuk
popup.rada
Yuriy Fedkovych Chernivtsi National University
Description
Дисертаційна робота присвячена оптимізації безсерверних обчислень у хмарних середовищах в умовах нерівномірного навантаження та неоднорідності вхідних потоків завдань. Сучасні підходи до автоматичного масштабування мають переважно реактивний характер, що призводить до проблем холодного старту та збільшення затримок. Методи машинного навчання потребують значних обсягів історичних даних і не забезпечують аналітичних гарантій якості обслуговування. У роботі розв'язується науково-прикладна задача розробки інформаційної технології оптимізації безсерверних обчислень на основі теорії систем масового обслуговування неоднорідної структури.
Об'єктом дослідження є процеси розподіленої обробки даних у хмарних середовищах з використанням безсерверних технологій та систем керування чергами повідомлень.
Предметом дослідження є методи та моделі оптимізації безсерверних обчислень на основі теорії систем масового обслуговування неоднорідної структури.
Метою дослідження є розробка підходів оптимізації безсерверних обчислень у хмарних середовищах, що забезпечують підвищення продуктивності, зниження витрат і мінімізацію холодних стартів шляхом побудови інформаційної технології на основі теорії масового обслуговування для прогнозування навантаження та проактивного масштабування обчислювальних ресурсів.
У роботі значно удосконалено математичну модель безсерверної обчислювальної системи на прикладі AWS Lambda як неоднорідної СМО зі змішаними режимами роботи, у якій вхідний процес визначається сумішшю незалежних неоднорідних пуассонівських процесів з різних джерел подій. Встановлено необхідну та достатню умову обмеженості черги. Вперше доведено граничні еволюції процесу довжини черги у схемах усереднення та дифузійної апроксимації з використанням апарату напівмарковських випадкових еволюцій. Схема усереднення визначає детерміновану траєкторію середнього навантаження, а дифузійна апроксимація описує випадкові відхилення через стохастичне диференціальне рівняння Іто, що є основою для прогнозування поведінки системи автомасштабування.
Удосконалено алгоритм параметричної оцінки та оптимізації конфігурації безсерверної системи, який, на відміну від підходів на основі ML, використовує аналітичні оцінки теорії масового обслуговування і дозволяє отримати явні формули для оптимальних параметрів без потреби у великих наборах даних.
Розроблено архітектуру фреймворку для розподіленої обробки даних на платформі AWS, особливістю якої є використання системи черг повідомлень, слабка зв'язність елементів, незалежне масштабування та оптимізація використання ресурсів. Розроблено та реалізовано інформаційну технологію з проактивним автомасштабуванням, що є основою створеного програмного забезпечення.
Практичне значення отриманих результатів полягає у реалізації інформаційної технології та програмного забезпечення для прогнозування навантаження і проактивного масштабування ресурсів. Експериментальна апробація на реальних даних продемонструвала, що аналітична модель забезпечила прискорення обробки на 25,8%, зростання пропускної здатності на 21,3% та зменшення холодних стартів до 3% порівняно з реактивним масштабуванням. Аналітична модель перевищує алгоритм на основі машинного навчання за основними показниками продуктивності та забезпечує гарантії якості обслуговування без потреби у великих обсягах історичних даних.
Дисертація складається зі вступу, чотирьох розділів, висновків, переліку використаних джерел та чотирьох додатків. У першому розділі викладено теоретичні основи безсерверних обчислень та визначено відкриті проблеми. У другому розділі розроблено архітектуру фреймворку на основі системи черг повідомлень. У третьому розділі побудовано математичну модель неоднорідної СМО, доведено граничні теореми та запропоновано аналітичний алгоритм оптимізації конфігурації. У четвертому розділі здійснено експериментальну верифікацію на платформі AWS у трьох серіях експериментів – з ML-моделлю DeepAR, аналітичною моделлю та імітаційним моделюванням методом Монте-Карло.
Запропонована інформаційна технологія використовується у роботі компанії Finker Finance B.V. та ФОП Вербицької С.І. Результати досліджень також використовуються у навчальному процесі Чернівецького національного університету імені Юрія Федьковича.
Ключові слова: інформаційна технологія, хмарна платформа, оптимізація, модель, алгоритм, машинне навчання, нейронні мережі, штучний інтелект, система черг, інтелектуальна система, інтелектуальний аналіз даних, Марковські та напівмарковські ланцюги, прогнозування, набір даних, програмне забезпечення.
Registration Date
2026-05-25
popup.nrat_date
2026-06-03 / 2026-07-21
