Ձեր վստահելի աղբյուրը

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: Այս մասին հայտնում են ՀՀ ԳԱԱ գիտության հանրայնացման և հասարակայնության հետ կապերի բաժնից։ 

Աշխատանքների կարևորության մասին ՀՀ ԳԱԱ Մաթեմատիկայի ինստիտուտի Դիֆերենցիալ և ինտեգրալ հավասարումների բաժնի ղեկավար, ֆիզիկամաթեմատիկական գիտությունների թեկնածու Առնակ Պողոսյանը նշել է. «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»։

Առնակ Պողոսյանի ղեկավարած գիտական խումբն այս աշխատանքների վերաբերյալ արդեն իսկ 2 գիտական հոդված է հրապարակել:

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»,- ասել է Առնակ Պողոսյանը:

Անդրադառնալով «Incident Management for Explainable and Automated Root Cause Analysis in Cloud Data Centers» գիտական հոդվածին՝ Առնակ Պողոսյանն ասել է. «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 համակացումը քվազի-պարբերական եռանկյունաչափական ֆունկցիաներին` զուգամիտության լրացուցիչ    արագացման նպատակով»,- ասել է Առնակ Պողոսյանը: