МОДЕЛЬ НА ОСНОВІ ГАУСІВСЬКОЇ РЕГРЕСІЇ ДЛЯ ПРОГНОЗУВАННЯ ПРОДУКТИВНОСТІ КОРПОРАТИВНИХ ВЕБ-СИСТЕМ ЗА КОНФІГУРОВАНИХ УМОВ НАВАНТАЖЕННЯ

Анотація

У статті розглядається задача прогнозування продуктивності корпоративних веб-систем в умовах варіативних конфігурацій апаратного та програмного середовища. Досліджено проблему надмірної вартості повного перебору простору конфігурацій для визначення оптимальних параметрів розгортання. Запропоновано метод побудови сурогатної моделі на основі гаусівської процесової регресії (GPR), яка відображає функцію f(x, l) → (μ, σ), де x – вектор конфігураційних параметрів системи (оперативна пам'ять, кількість ядер CPU, розмір пулу з'єднань, кількість робочих процесів), l – вектор характеристик навантаження (кількість віртуальних користувачів, співвідношення операцій читання/запис), μ – прогнозоване значення p95-затримки відповіді, σ – невизначеність прогнозу. На відміну від адитивних моделей впливу конфігурацій (зокрема, підходу P4), запропонована GPR-сурогатна модель апроксимує нелінійну поверхню відгуку у повному просторі конфігурацій і навантажень, надаючи разом із точковим прогнозом відкалібрований довірчий інтервал для кожної точки прогнозування. Проведено збір навчальних даних за планом Латинського гіперкубічного вибірки (420 точок), реалізовано повний ML-пайплайн із порівнянням трьох ядер GPR (RBF, Матерн 5/2, раціональна квадратична функція), а також базових моделей XGBoost, Random Forest та адитивної лінійної моделі. Найкращі результати забезпечило ядро Матерн 5/2: R² = 0,9863, MAE = 34,4 мс, покриття 95% довірчого інтервалу – 0,937. Аналіз сурогатної ефективності встановив, що для досягнення R² ≥ 0,90 достатньо 75 реальних вимірювань замість 720 у повній сітці (скорочення обсягу вимірювань на 89,6%). Виконано SHAP-аналіз важливості ознак, що підтвердив домінуючу роль конструйованої ознаки «інтенсивність навантаження» над первинними конфігураційними параметрами. Реалізовано критерій активного навчання на основі предиктивної дисперсії GPR для цілеспрямованого поповнення навчальної вибірки.
Ключові слова: гаусівська процесова регресія; сурогатна модель; прогнозування продуктивності; корпоративні веб-системи; кількісна оцінка невизначеності; латинський гіперкубічний план; SHAP-аналіз; активне навчання; виявлення аномалій навантаження; кібербезпека інфраструктури.