Central AsianResearch Index

ПРЕДИКТИВНЫЙ МОНИТОРИНГ И ПРОГНОЗИРОВАНИЕ ОТКАЗОВ СЕРВЕРНОГО ОБОРУДОВАНИЯ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ И АНАЛИЗА ВРЕМЕННЫХ РЯДОВ ТЕЛЕМЕТРИИ

В статье рассматривается проблема обеспечения надежности и отказоустойчивости современной ИТ-инфраструктуры путем перехода от традиционных реактивных систем мониторинга к предиктивному анализу технического состояния серверного оборудования. Предметом исследования являются методы и алгоритмы машинного обучения, применяемые к многомерным временным рядам телеметрии. Цель работы заключается в разработке и экспериментальной проверке методики прогнозирования аппаратных сбоев на основе комплексного анализа показателей S.M.A.R.T., IPMI/iDRAC и системных логов. В исследовании применены методы статистического анализа (ARIMA), алгоритмы машинного обучения (Random Forest) и рекуррентные нейронные сети (LSTM). На основе реального датасета Backblaze и синтетических данных о нагрузках серверов проведен сравнительный анализ моделей. Установлено, что модель LSTM обеспечивает наибольшую точность (Precision = 0,91 ± 0,02) и полноту (Recall = 0,87 ± 0,03) при F1-мере 0,89 ± 0,02, гарантируя время предупреждения (Lead Time) от 48 до 72 часов. Алгоритм Random Forest демонстрирует устойчивый F1-показатель 0,85 ± 0,03 при в 10 раз меньших затратах на инференс. Разработанная архитектура пятиуровневого конвейера обработки данных с выделенным авторским аналитическим ядром позволяет сократить время восстановления системы (MTTR) с 4 до 1 часа и снизить внеплановые простои на 70–80%. Предложенные решения обеспечивают переход к обслуживанию оборудования по фактическому состоянию.

Сведения

Опубликовано
2026 · Т. 4, № 145, С. 211-223
Язык
Русский
ISSN
1609-1817 · 2790-5802
Издатель
JSC Academy of Logistics and Transport