ՀՀ ԳԱԱ Մաթեմատիկայի ինստիտուտում իրականացվում են աշխատանքներ՝ ուղղված ամպային ենթակառուցվածքների և նրանցում աշխատող ծրագրերի աշխատանքի մոնիտորինգին, կանոնավոր աշխատանքի պահպանմանը և առաջացած պրոբլեմների հաղթահարմանը: Աշխատանքներն իրականացվում են Գիտության պետական կոմիտեի ֆինանսավորմամբ՝ «Մեքենայական ուսուցմամբ հզորացված կանխազգուշացնող անալիտիկա ամպային տվյալների կենտրոնների համար» գիտական թեմայի շրջանակներում:
Աշխատանքների կարևորության մասին ՀՀ ԳԱԱ Մաթեմատիկայի ինստիտուտի Դիֆերենցիալ և ինտեգրալ հավասարումների բաժնի ղեկավար, ֆիզիկամաթեմատիկական գիտությունների թեկնածու Առնակ Պողոսյանը նշեց. «Բիզնեսի տեսանկյունից շատ կարևոր է ամպային տիրույթների նորմալ աշխատանքը, քանի որ նրանց անկանոն աշխատանքը բերելու է ֆինանսական և վստահության կորստի:
Ծրագրերի անխափան աշխատանքի ապահովումը հնարավոր է ամպային համակարգերում ընթացող պրոցեսների մոնիտորինգով, որի արդյունքում հավաքվում և պահվում են տվյալներ` հետագա մշակման համար: Ներկայիս ամպային համակարգերը շատ բարդ են, և դրանց պատասխանատուներն ի վիճակի չեն հետևելու և հասկանալու նրանցում ընթացող պրոցեսները, արագ արձագանքելու պրոբլեմներին: Անհրաժեշտ են խելացի լուծումներ` հիմնված արհեստական բանականության մեթոդների վրա: Մոնիտորինգի ընթացքում տարբեր տեսակի տվյալների հավաքումն օգնում է ընթացող պրոցեսների բազմակողմանի ուսումնասիրմանը: Տվյալների յուրաքանչյուր տեսակ դիտարկում է ամպային համակարգը որոշակի անկյան տակ` ամբողջական պատկերը բացահայտելու համար: Տեսակներից մեկը ժամանակային շարքերն են (time series data), որոնք նկարագրում են պրոցեսների վարքը ժամանակի ընթացքում: Ժամանակային շարքերը բազմաթիվ հարցերի պատասխաններ կարող են տալ: Կարևորագույն խնդիրներից մեկը ժամանակային շարքերի վարքագծի մոդելավորումն է և դրա հիման վրա ապագա արժեքների կանխատեսումը: Այն կարևոր է վատ պրոցեսների կանխագուշակման և կանխարգելման, ինչպես նաև ապագայի պլանավորման համար»,- ասաց նա:
Առնակ Պողոսյանի ղեկավարած գիտական խումբն այս աշխատանքների վերաբերյալ արդեն իսկ 2 գիտական հոդված է հրապարակել:
[1] Poghosyan A., Harutyunyan A., Grigoryan N., Pang C., Oganesyan G., Ghazaryan S., Hovhannisyan N., An Enterprise Time Series Forecasting System for Cloud Applications Using Transfer Learning. Sensors, 21(5):1590, pp. 1-28, 2021.
[2] Poghosyan A., Harutyunyan A.N., Grigoryan N., Kushmerick N. (2021) Incident Management for Explainable and Automated Root Cause Analysis in Cloud Data Centers. Journal of Universal Computer Science (JUCS), 27(11), pp. 1152-1173, 2021.
Աշխատանքներում ներկայացված արդյունքներն արտոնագրված են ԱՄՆ-ում` «VMware» ընկերության կողմից: Աշխատանքներին երիտասարդ գիտնականներից մասնակցում են Տիգրան Բունարջյանը («VMware» ընկերությունից) և Արման Զաքարյանը (ServiceTitan ընկերությունից): Խմբի խորհրդատուն է պրոֆեսոր Սլավա Վոլոշինովսկին ժնևի համալսարանից:
««An Enterprise Time Series Forecasting System for Cloud Applications Using Transfer Learning» աշխատանքում քննարկվում է ժամանակային շարքերի վարքագծի մոդելավորման մի եղանակ՝ հիմնված նեյրոնային ցանցերի աշխատանքի վրա: Սովորաբար, նեյրոնային ցանցերի կիրառումը պրակտիկ խնդիրներում պահանջում է այնպիսի ռեսուրսների օգտագործում, որոնք կա՛մ հասանելի չեն, կա՛մ շատ թանկ արժեն: Խոսքը վերաբերում է այնպիսի հաշվողական ռեսուրսներին, ինչպիսին են CPU, GPU, մեքենայական հիշողություն և այլն: Մենք առաջարկում ենք մոտեցում, որտեղ նեյրոնային ցանցերի կիրառումն ուղեկցվում է համապատասխան ռեսուրսների խնայողական օգտագործմամբ»,- ասաց Առնակ Պողոսյանը:
Անդրադառնալով «Incident Management for Explainable and Automated Root Cause Analysis in Cloud Data Centers» գիտական հոդվածին՝ Առնակ Պողոսյանն ասաց. «Ժամանակային շարքերը կարևոր է ուսումնասիրել նաև խմբերով` հասկանալու համար նրանց կորելիացիաները հատկապես որոշակի պրոբլեմների դեպքում, պարզել կարևոր և անկարևոր խմբերը և ներմուծել պրոցեսների բացատրելիություն: Էական է հասկանալ տարբեր ժամանակային շարքերից ստացված «ալերթների» կորելացիաները, որոնք կավելացնեն որոշակի տեսակի խափանումների վերաբերյալ մեր տեղեկությունները: Այստեղ պետք է կարևորել բացատրելի արհեստական բանականության նշանակությունը, որի մեթոդները հնարավորություն են տալիս միաժամանակ կանխատեսել և բացատրել երևույթները: Այս աշխատանքում ներկայացվում է նման մի ալգորիթմ` հիմնված ժամանակային շարքերի տվյալների միաժամանակյա խոտորումների վրա: Նման խոտորումները բաժանվում են խմբերի, որոնք նկարագրում են տարբեր բնույթի խաթարումները»:
Մյուս գիտական հոդվածներն անդրադառնում են ֆունկցիաների մոտարկմանը եռանկյունաչափական համակարգերով: «Նման համակարգերն իրենց մի շարք առավելությունների հետ միաժամանակ ունեն էական թերություն` արդյունավետ չեն խզվող կամ ոչ պարբերական ֆունկցիաների համար: Աշխատանքների մի շարք նվիրված է եղել նման համակարգերով իրականացվող մոտարկումների և ինտերպոլիացիաների զուգամիտության արագացմանը, որոնք հնարավորություն են տվել այդ մեթոդներն արդյունավետ կիրառել նաև նշված անհարմար ֆունկցիաների համար: Զուգամիտության արագացման ուղղություններից մեկը բազմանդամային ֆունկցիաների համակցումն է եռանկյունաչափական համակարգերին: Մեկ այլ արդյունավետ եղանակ է քննարկվել աշխատանքներ [3,4]-ում` հիմնված քվազիպարբերական ֆունկցիաների կիրառման վրա: Այս ֆունկցիաների պարբերությունները չեն համընկնում այն վերջավոր հատվածի երկարությանը, որտեղ որոշված են մոտարկվող ֆունկցիաները, որի պատճառով վերլուծություններն ավելի արդյունավետ են աշխատում հատվածի ծայրակետերում, որտեղ ֆունկցիաներն ունեն խզումներ` ոչ պարբերականության պատճառով: Այստեղ ևս հնարավոր է բազմանդամային ֆունկցիաների համակցումը քվազի-պարբերական եռանկյունաչափական ֆունկցիաներին` զուգամիտության լրացուցիչ արագացման նպատակով»,- ասաց Առնակ Պողոսյանը:
[3] Poghosyan A., Poghosyan L., Barkhudaryan R., On the convergence of the quasi-periodic approximations on a finite interval, Armenian Journal of Mathematics, 13(10), pp. 1-44, (2021).
[4] Nersessian A., On Some Fast Implementations of Fourier Interpolation. In: Karapetyants A.N., Kravchenko V.V., Liflyand E., Malonek H.R. (eds) Operator Theory and Harmonic Analysis. OTHA 2020. Springer Proceedings in Mathematics & Statistics, vol 357. Springer, Cham, 2021.
ՀՀ ԳԱԱ գիտության հանրայնացման և հասարակայնության հետ կապերի բաժին
