Математическая модель микросервисной системы на основе байесовской сети для задачи оптимизации конфигурации с учётом каскадных зависимостей
https://doi.org/10.21822/2073-6185-2026-53-1-186-192
Аннотация
Цель. Целью работы является разработка математической модели микросервисной системы для оптимизации конфигурации этой системы.
Метод. Для моделирования использовались методы теории графов, теории вероятностей и теории принятия решений, такие вероятностно-графические модели, как байесовские сети, сочетающие элементы этих теорий.
Результат. Описана математическая модель микросервисной системы на основе байесовской сети; предложен модифицированный алгоритм вывода в этой сети и алгоритм оптимизации конфигурации с учётом каскадов. Оценена временная сложность вывода оптимальной конфигурации. Проведён эксперимент применения предложенных алгоритмов на модельной системе из 15 микросервисов, который показал, что конфигурация, выбираемая с помощью предложенной модели и алгоритмов, имеет наименьший процент времени, когда микросервисная система находилась в состоянии нарушения параметров соглашения об уровне обслуживания (Service Level Agreement, SLA).
Вывод. Предложенная модель и алгоритмы могут помочь в выборе более оптимальной конфигурации благодаря учёту каскадных эффектов и одновременному учёту дискретных и непрерывных параметров. Для дополнительных выводов необходимо провести эксперимент по интеграции модели с существующими системами оркестрации.
Об авторе
В. Р. ЧетвертухинРоссия
Четвертухин Виктор Романович, аспирант, кафедра программного обеспечения вычислительной техники и автоматизированных систем,
308012, г. Белгород, ул. Костюкова, 46
Список литературы
1. Ньюмен С. Создание микросервисов. 2-е изд. – СПб.: Питер, 2023 – 624 с.
2. Кендалл Д. Стохастические процессы, встречающиеся в теории очередей, и их анализ методом вложенных цепей Маркова // Математика. 1959. Т. 3. № 6. С. 97-112.
3. Цыпкин Я.З. Основы теории автоматических систем. М.: Наука, 1977. 560 с.
4. Abraham I., Alvisi L., Halpern J. Distributed computing meets game theory: combining insights from two fields // ACM SIGACT News. 2011. Vol. 42. No. 2. P. 69-76.
5. Mao H., Alizadeh M., Menache I., Kandula S. Resource management with deep reinforcement learning // Proceedings of the 15th ACM Workshop on Hot Topics in Networks. 2016. P. 50-56.
6. Taran V.N. Bayesian networks for modeling complex systems. Proceedings of 2017 IEEE 2nd International Conference on Control in Technical Systems, CTS St. Petersburg, 25–27 October 2017. St. Petersburg, 2017; 240-243. DOI 10.1109/CTSYS.2017.8109535. EDN XXUEQX.
7. Koller D., Friedman N. Probabilistic Graphical Models: Principles and Techniques. MITPress, 2009:1266.
8. Pearl J. Probabilistic reasoning in intelligent systems: networks of plausible inference. CA: Morgan Kaufmann, 1988.
9. Ильин В. А., Позняк Э. Г. Основы математического анализа. Часть I. - М., 1998. - С. 248-251.
10. Амосов А.А., Дубинский Ю.А., Копченова Н.П. Вычислительные методы для инженеров. М.:Мир, 1998.
11. Kubernetes Documentation. Horizontal Pod Autoscaler [Электронный ресурс]. URL: https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale/ (дата обращения 26.07.2025).
12. Xu B, Li H, Pang W, et al. Bayesian network approach to fault diagnosis of a hydroelectric generation system. Energy Sci Eng. 2019;7:1669–1677. https ://doi.org/10.1002/ese3.383.
13. Guoqiang L., Zengru D., Ying F. Cascading failures in complex networks with community structure. International Journal of Modern Physics C(IJMPC), World Scientific Publishing Co.Pte. Ltd., 2014;25(5):1-10.
14. https://doi.org/10.1145/3190507. Tao Chen, Rami Bahsoon, and Xin Yao. 2018. A Survey and Taxonomy of Self-Aware and Self-Adaptive Cloud Autoscaling Systems. ACM Comput.Surv.51,3,Article 61.June 2018:40.
Рецензия
Для цитирования:
Четвертухин В.Р. Математическая модель микросервисной системы на основе байесовской сети для задачи оптимизации конфигурации с учётом каскадных зависимостей. Вестник Дагестанского государственного технического университета. Технические науки. 2026;53(1):186-192. https://doi.org/10.21822/2073-6185-2026-53-1-186-192
For citation:
Chetvertukhin V.R. Mathematical model of a microservice system based on a Bayesian network for the task of optimizing configuration taking into account cascading dependencies. Herald of Dagestan State Technical University. Technical Sciences. 2026;53(1):186-192. (In Russ.) https://doi.org/10.21822/2073-6185-2026-53-1-186-192
JATS XML































