Прогнозирование состояния сервера на основе регрессионно-нечетких моделей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Козлов, Александр Олегович

• Козлов, Александр Олегович
• кандидат наук
• 2014

Оглавление диссертации кандидат наук Козлов, Александр Олегович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1. АНАЛИЗ СОСТОЯНИЯ СЕРВЕРА

1.1. Анализ состояния сервера

1.2. Системы контроля параметров сервера

1.2.1. Аппаратные системы

1.2.2. Программные системы

1.3. Наиболее адекватные числовые параметры для оценивания работоспособности сервера терминалов

1.4. Статистические методы прогнозирования состояния сервера

1.4.1. Регрессионные модели

1.4.2. Авторегрессионные модели

1.4.3. Адаптивное прогнозирование

1.4.4. Подход динамического регрессионного моделирования

1.5. Существующее программное обеспечение для моделирования временных рядов

1.6. Нечеткие модели для формализации экспертных оценок работоспособности сервера

1.6.1. АСЬ-шкала

1.6.2. Механизм нечеткого вывода по Мамдани

1.6.3. Модели нечетких временных рядов

1.6.4. Гибридные модели ВР

1.7. Выводы

2. МЕТОД РЕГРЕССИОННО-НЕЧЕТКОГО МОДЕЛИРОВАНИЯ СЕРВЕРА

2.1. Разработка обобщенной регрессионно-нечеткой модели состояния сервера

2.2. Метод регрессионно-нечеткого моделирования состояния сервера

2.3. Алгоритмическое обеспечение метода регрессионно-нечеткого моделирования состояния сервера по набору параметров

2.3.1. Алгоритм решения задачи прогнозирования на основе динамического регрессионного моделирования

2.3.2. Алгоритм решения задачи интерпретации параметров и их тенденций сервера на основе применения АСЬ-шкалы

2.3.3. Алгоритм вычисления комплексной оценки общей нечеткой тенденции числового параметра сервера

2.4. Выводы

3. РАЗРАБОТКА ПРОГРАММНОГО ОБЕСПЕЧЕНИЯ РЕГРЕССИОННО-НЕЧЕТКОГО АНАЛИЗА СОСТОЯНИЯ СЕРВЕРА

3.1. Обобщенная структура и функции ПО НЕРА

3.2. Описание модулей и структур ПО НЕРА

3.2.1. Подсистема сбора значений характеристик сервера

3.2.2. Подсистема адаптивного динамического регрессионного моделирования

3.2.3. Подсистема автоматизации ДРМ-моделирования

3.2.4. Подсистема нечеткого моделирования и резюмирования характеристик сервера

3.3. Выводы

4. ВЫЧИСЛИТЕЛЬНЫЕ ЭКСПЕРИМЕНТЫ АНАЛИЗА ПОВЕДЕНИЯ СЕРВЕРА НА ОСНОВЕ РЕГРЕССИОННО-НЕЧЕТКОГО / МОДЕЛИРОВАНИЯ

4.1. Прогнозирование числовых параметров сервера

4.2. Интерпретация параметров сервера и генерация экспертных оценок прогнозных значений и тенденций

4.3. Генерация итогового экспертного заключения

4.4. Оценка эффективности метода

4.4.1. Критерий точности распознавания

4.4.2. Информационный критерий

4.4.3. Критерии достоверности и объективности. Временной критерий

4.4.4. Экономический критерий

4.5. Выводы

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

ПРИЛОЖЕНИЕ А

Введение диссертации (часть автореферата) на тему «Прогнозирование состояния сервера на основе регрессионно-нечетких моделей»

ВВЕДЕНИЕ

Актуальность темы. В современных условиях интенсивного развития информационно-коммуникационных технологий задача обеспечения стабильного функционирования отдельного сервера, как элемента ИТ-структуры является актуальной. Особую важность эта задача приобретает для предприятий малого и среднего бизнеса, обладающих ограниченными ресурсами и находящимися на стадии развития.

В случае возникновения изменения нагрузки на отдельный сервер, приводящего к снижению или потере его работоспособности, в таких организациях требуется от нескольких часов до нескольких дней для восстановления его стабильного функционирования. Изменение нагрузки может возникнуть и в случае воздействия на сервер внешних трудно формализуемых факторов, а поэтому формулируемых экспертно лицами, принимающими решение, например, таких как увеличение объема решаемых задач, рост числа клиентов, изменение масштаба предприятия. Все это может привести к потере ценной информации, непредвиденным и значительным материальным затратам в условиях активного перехода к интернет-экономике. Чтобы обеспечить раннее предупреждение о возможных в будущем нарушениях функционирования отдельного сервера и учесть эти риски при планировании развития ИТ-ресурсов предприятия целесообразно применять методы анализа состояния сервера, ориентированные как на текущие, так и на прогнозные оценки тенденций изменения физических (числовых) параметров сервера с учетом внешних экспертных оценок тенденций развития предприятия.

Для решения проблемы обеспечения стабильного функционирования сервера применяются системы мониторинга и контроля работоспособности серверов по отдельным параметрам (например, «PWS ИТ-мониторинг» [1], «NMS Aurora» [2]), однако, функции таких систем не предусматривают решение задачи прогнозирования, а также не позволяют идентифицировать опасные тенденции изменения состояния сервера как целостного объекта.

Достаточно часто используется подход к прогнозированию состояния сервера путем визуального анализа графиков временных рядов числовых параметров, однако при этом результаты прогноза в значительной степени зависят от квалификации и субъективного мнения администратора вычислительной сети.

Поэтому в ряде работ обоснована необходимость прогнозирования числовых параметров сервера, в частности в работе Терейковской [3] предлагается применять статистические модели временных рядов для прогнозирования числовых параметров интернет-серверов. В работе Веркотрен и др. [4] для прогнозирования нагрузки на веб-сервер предлагается иерархическая модель временного ряда, включающая в себя гармоническую и авторегрессионную составляющие. Комплексная модель изменения трафика сервера на основе применения подхода динамического регрессионного моделирования предложена в работах С.Г. Валеева и Ю.Е. Кувайсковой [5]. Вычислительные эксперименты показали его эффективность в плане точности прогнозирования ВР трафика сервера по сравнению с моделями класса АРПСС. Методы интеллектуального анализа для прогнозирования трафика сервера активно развиваются в исследованиях научной группы, возглавляемой Н.Г. Ярушкиной. Так, например, в [6] предложена математическая имитационная модель числовых параметров терминал-сервера как элемента вычислительной сети на основе временных рядов их нечетких тенденций, позволяющая прогнозировать трафик сервера. Нечеткое моделирование показало свою продуктивность для прогнозирования и лингвистической интерпретации состояния и тенденций изменения поведения сервера. Также разрабатываются подходы к прогнозированию отдельных характеристик сервера для целей управления его ресурсами [7,8].

Можно констатировать, что существующие модели прогнозирования состояния сервера основаны на моделировании его внутренних числовых параметров по временным рядам и не учитывают внешние экспертные оценки тенденций развития предприятия.

Возникает научно-техническая проблема разработки метода прогнозирования работоспособности сервера путем интеграции статистических

6

моделей прогнозирования его числовых параметров и нечетких моделей экспертного оценивания для обнаружения возможных проблем на ранних стадиях и получения о них информации, необходимой для принятия обоснованных и оперативных управленческих решений.

Объектом исследования является сложный технический объект - сервер предприятия. Предметом исследования являются модели прогнозирования состояния сервера.

Целью диссертационной работы является повышение эффективности прогнозирования состояния сервера на основе разработки метода, интегрирующего регрессионное и нечеткое моделирование его параметров.

Для достижения указанной цели в работе необходимо решить следующие задачи:

1. Выбор эффективного подхода к моделированию числовых временных рядов, обладающих различным поведением.

2. Разработка обобщенной модели прогнозирования состояния сервера, включающей числовые временные ряды и нечеткую экспертную оценку.

3. Разработка алгоритма получения комплексной оценки состояния сервера.

4. Разработка метода регрессионно-нечеткого моделирования для прогнозирования состояния сервера, заданного набором гетерогенных данных.

5. Создание специализированной программной системы для моделирования и прогнозирования состояния сервера.

При решении поставленных задач в диссертационной работе использовались методы математического моделирования, прикладной математической статистики, анализа временных рядов, методы численного интегрирования, дифференцирования и решения систем линейных алгебраических уравнений; при разработке программного обеспечения применялись методы объектно-ориентированного программирования.

Достоверность результатов, представленных в диссертации, обеспечивается корректностью применения математического аппарата статистического и

7

нечеткого моделирования, и подтверждается результатами статистических экспериментов на реальном оборудовании.

Научная новизна результатов, выносимых на защиту:

1. Обобщенная регрессионно-нечеткая модель, отличается возможностью прогнозирования состояния сервера по временным рядам его числовых параметров и экспертной прогнозной оценкой его загрузки.

2. Метод регрессионно-нечеткого моделирования для прогнозирования состояния сервера, содержит новое совмещенное применение гетерогенных моделей, согласованных по времени и значению, обеспечивающий снижение временных и экономических затрат.

3. Новизна алгоритма вычисления комплексной нечеткой оценки состояния сервера, заключается в способности генерировать по временному ряду числового параметра лингвистическую интерпретацию в виде нечеткой оценки общей тенденции его развития.

4. Программная система, реализует алгоритмы метода регрессионно-нечетного моделирования для прогнозирования состояния сервера.

Теоретической значимостью обладает предложенный метод интеграции гетерогенных данных при прогнозировании состояния сложной технической системы, и открывает новые практические возможности повышения качества прогнозирования состояния таких систем.

Практическая ценность результатов работы заключается в том, что разработанные алгоритмы и программы могут быть использованы для исследования состояния ИТ-инфраструктуры малых и средних предприятий. Возможность прогнозирования состояния серверов предприятия с учетом мнения эксперта позволяет принимать более обоснованные решения об изменении конфигурации компьютерного парка предприятия.

Результаты работы были применены в научно-исследовательской работе «Проектирование подсистемы раннего предупреждения о нарушении условий устойчивого функционирования серверного узла» для ООО «Фирма ВИА»; использовались при формировании заявок на гранты РФФИ №13-01-00547 и 148

01-31428; применяются в НИР, выполняемой по гранту РФФИ 14-07-00247 «Методология моделирования и прогнозирования локальных тенденций временных рядов в задачах анализа больших данных»; использовались в учебном процессе УлГТУ. Также, результаты диссертации внедрены и используются в ЗАО Банк «Венец» и ООО «Симбирск-Ойл» для практического применения при анализе эффективности использования серверного парка предприятия.

Основные результаты диссертационной работы докладывались и обсуждались на следующих конференциях, семинарах и симпозиумах:

- 5-я Международная научно-практическая конференция "Интегрированные модели и мягкие вычисления" (Коломна, 2009);

- Всероссийская научно-техническая конференция аспирантов, студентов и молодых ученых "Информатика и вычислительная техника" (Ульяновск, 2010, 2011,2012);

- Всероссийская научная конференция «Современные проблемы математического моделирования, супервычислений и информационных технологий» (Таганрог, 2012);

- 7-я Всероссийская научная конференция «Математическое моделирование развивающейся экономики и экологии» (Киров, 2012)

- Российская школа-семинар аспирантов, студентов и молодых ученых «Информатика, моделирование, автоматизация проектирования» (Ульяновск, 2012);

- XIII Международная конференция "Информатика: проблемы, методология, технологии" (Воронеж, 2013)

- научно-техническая конференция профессорско-преподавательского состава УлГТУ (Ульяновск, 2010, 2011, 2012).

По теме диссертации опубликовано 13 печатных работ, из которых 3 - в изданиях, входящих в перечень ВАК.

Диссертационная работа состоит из введения, четырех глав, заключения, библиографического списка литературы, включающего 94 наименования на 9

страницах, списка сокращений и 1 приложения. Общий объем диссертации составляет 135 страниц.

В первой главе выполнен обзор видов серверов в организациях, существующего ПО для моделирования ВР, систем контроля параметров сервера. Также приводится обзор математических моделей, методов и программного обеспечения, применяемых для обработки ВР.

Во второй главе описан метод регрессионно-нечеткого моделирования, применение его к решению задач интерпретации, диагностики, прогноза и планирования. Описаны алгоритмы, решения задач с помощью предложенного метода.

В третьей главе представлено описание структуры комплекса программ регрессионно-нечеткого моделирования HEPA.

В четвертой главе описаны вычислительные эксперименты, на реальных данных показана эффективность предлагаемого метода.

В заключительной части сформулированы основные результаты и выводы, полученные при выполнении диссертационной работы.

1. АНАЛИЗ СОСТОЯНИЯ СЕРВЕРА

1.1. Анализ состояния сервера

В настоящее время на предприятиях используются различные по роду решаемых задач виды серверов, наиболее распространены из которых следующие:

1. Сервер авторизации - специализированный сервер, позволяющий идентифицировать пользователя для предоставления ему доступа и определенного набора прав в ЛВС.

2. Файловый сервер - сервер для хранения файлов в ЛВС предприятия и разграничения доступа к данным файлам различным пользователям. В ответ на запрос пользователя предоставляется доступ к файлу. Является самым распространенным типом серверов в организациях.

3. Сервер баз данных - сервер для хранения данных внутри ЛВС предприятия. В отличие от файлового сервера сервер БД предоставляет в ответ на запрос не целый файл, а его фрагмент в виде отдельных записей, затребованных в запросе. За счет такого подхода происходит уменьшение нагрузки на ЛВС и сокращение времени получения информации пользователем.

4. Почтовый сервер - сервер, занимающийся обработкой и управлением электронной почтой организации.

5. Веб-сервер - это сервер, принимающий НТТР-запросы от клиентов, обычно веб-браузеров, и выдающий им НТТР-ответы, как правило, вместе с НТМЬ-страницей, изображением, файлом, медиа-потоком или другими данными. Служит в организациях для обеспечения функционирования внутренних и публичных веб-порталов организации.

6. Прокси-сервер - служба в компьютерных сетях, позволяющая клиентам выполнять косвенные запросы к другим сетевым службам. Сначала клиент подключается к прокси-серверу и запрашивает какой-либо ресурс,

расположенный на другом сервере. Затем прокси-сервер либо подключается к указанному серверу и получает ресурс у него.

7. Сервер терминалов - сервер, как правило, очень высокопроизводительный, предоставляющий клиентам доступ к своим вычислительным ресурсам. Терминальный сервер дает клиентам сети возможность пользоваться удаленным рабочим столом.

Одной из частых проблем, с которыми сталкиваются ИТ-службы предприятий - это выход из строя серверного оборудования. Причинами могут быть технические неполадки, «падение», отключение электроэнергии, человеческий фактор, некорректное функционирование ПО, увеличение нагрузки на сервер.

На практике различают работоспособное и неработоспособное состояние, последнее обычно характеризуется признаками выхода за пределы допустимых значений параметров сервера.

Рассматривая сервер, как технический объект, можно выделить состояния отказа, то есть такое состояние, которое характеризуется нарушением работоспособного состояния. По характеру возникновения отказы сервера можно классифицировать на: внезапные (изменения параметров происходит скачком) и постепенные (медленное изменение параметров); по возможности выполнения своих функций - полные («падение» сервера) или частичные (замедление работы).

Тяжесть последствий отказа сервера зависит от уровня значимости приложений, которые работали на сервере и могут привести к серьезным финансовым потерям, особенно для небольших предприятий, в которых, как правило, сотрудники ИТ-отдела не обладают высокой квалификацией и реализуется режим экономии на ИТ-ресурсах.

Указанные выше проблемы приобретают особое значение для терминального сервера, так как от его работоспособности зависят множество клиентов, которым он предоставляет вычислительные и программные ресурсы (процессорное время, память, дисковое пространство). Технически терминальный сервер представляет

12

собой очень мощный компьютер (либо кластер), соединенный по сети с терминальными клиентами — которые, как правило, представляют собой маломощные или устаревшие рабочие станции, либо специализированные

Рисунок 1.1. Схема использования терминал-сервера в ЛВС организации Очевидно, что для нормального функционирования организации существует необходимость поддержания терминального сервера (в дальнейшем просто сервер для краткости) в работоспособном состоянии.

Рассмотрим типовую схему этапов процесса взаимодействия отделов небольшого предприятия (около 100 сотрудников) при принятии управленческого решения о финансировании изменения элементов ИТ-инфраструктуры предприятия в случае снижения работоспособности сервера.

Рисунок 1.2. Схема информационных потоков организации Представим этапы, которые необходимо пройти до получения указанного управленческого решения, в виде последовательного алгоритма и приведем грубую оценку временных затрат этих этапов:

1и -> 1Т -> /р -> 1Е 11РЕ -> 1М 13 (1.1)

- 1и - запросы рядовых терминальных пользователей компьютерного парка предприятия о снижении работоспособности (например, замедление работы приложений) в ГГ-отдел. Количество запросов: 5-10 в год.

- 1Т - исследование сотрудником ГГ-отдела типа отказа работоспособности сервера и динамики параметров сервера путем визуального анализа. Время обработки, включая время ожидания запроса в очереди задач 1Т-специалиста: 0,5-1 день.

- 1Р - согласование результатов исследования параметров сервера с руководителем ГГ-отдела и выработка экспертной оценки его состояния (например: «норма», «есть проблема», «близко к серьезной проблеме»). Время согласования с учетом загрузки руководителя: 0,5-1 день.

- 1Е - уточнение руководителем 1Т-отдела информации о возможном изменении нагрузки на сервер вследствие ожидаемого изменения масштаба предприятия от руководства предприятия (например: «изменения не предвидятся», «небольшое увеличение», «значительное снижение нагрузки»). Время, необходимое на уточнение: 0,5-1 день.

- 11РЕ - формирование и обоснование итогового решения о состоянии сервера на основе согласования результатов анализа его числовых параметров и информации 1Е, подготовка руководителем 1Т-отдела проекта финансового решения проблемы (в случае необходимости), по которой поступил запрос, и соответствующих документов. Время на подготовку проекта решения: 1-2 дня.

- 1М - принятие управленческих решений ЛПР предприятия о финансировании или не финансировании решения проблемы, по которой поступил запрос, например, закупки дополнительной памяти или даже нового сервера. Время принятия решения ЛПР: 1-3 дня.

- /5 - Заключительный этап - реализация управленческого решения. Может затратить значительное количество времени в зависимости от принятого решения.

В результате для принятия управленческого решения необходимо пройти несколько этапов, что может составить несколько дней, затем необходимы для реализации решения еще несколько дней (или недель), исходя из стоимости модернизации программно-аппаратного обеспечения сервера и экономического состояния предприятия.

Данная ситуация порождает риски, связанные с тем, что в этот временной интервал в условиях интенсивного информационного обмена производительность предприятия значительно снизится, сервер может перейти в состояние полного отказа, а процесс восстановления работоспособности сервера потребует значительных временных затрат и может привести к полной остановке бизнес-процессов предприятия.

Другой риск связан с тем, что качество управленческого решения определяется опытом и субъективным мнением сотрудников ИТ-отдела и, как следствие может быть не достаточно эффективным.

Таким образом, можно сделать следующие выводы.

1. Оценка работоспособности сервера является актуальной прикладной задачей.

2. При оценивании работоспособности необходимо не только контролировать значения числовых параметров сервера и выявлять причины возникших отказов, но и проводить процедуры прогнозирования постепенных и частичных отказов, то есть прогнозировать состояние сервера, как целостного объекта, и тенденции его изменения.

3. Решение данной задачи на основе широко применяемых систем мониторинга числовых параметров сервера позволяет получить статистическую информацию, которая, представленная временными рядами, достаточна для применения математических моделей и методов прогнозирования.

4. При оценивании состояния сервера, как целостного объекта, на различных этапах используются экспертные суждения и знания, выражающие различные по типу экспертные оценки: внутренние и внешние.

4.1. К внутренним оценкам относят оценки текущего и прогнозного состояния отдельного числового параметра, оценки текущей и прогнозной тенденции отдельного числового параметра, интегральную оценку текущего и прогнозного состояния сервера по множеству числовых параметров,

4.2. К внешним оценкам относят прогнозные оценки изменения масштаба состояния предприятия.

5. С целью получения более обоснованных результатов анализа и прогноза работоспособности сервера целесообразно применять математические модели экспертных оценок и методы нечеткого моделирования.

Таким образом, возникает необходимость прогнозирования не только внутренних, но и внешних факторов, влияющих на работоспособность сервера. Этими факторами являются мнения менеджмента предприятия о предстоящих изменениях в организации. Такие факторы сложно получить в виде количественных данных, но можно заменить экспертными оценками. Следовательно, прогнозное состояние сервера можно представить в виде абстрактной модели 3 = р(Х,2,Ё}, где F - некоторый метод, генерирующий комплексную прогнозную оценку состояния сервера; X - вектор числовых параметров, характеризующих прогнозное техническое состояние сервера; 7. = У^Х, где 2 - вектор внутренних экспертных оценок числовых

параметров X, например, «Недостаток загрузки», «Превышение загрузки», «Норма»; X - вектор экспертных оценок значений параметров X, например, «Очень низкий», «Низкий», «Ниже среднего», «Среднее», «Выше среднего», «Высокий», «Очень высокий»; - вектор экспертных оценок тенденций

изменения параметров X («Рост», «Падение», «Стабильность»); У - некоторый метод определения внутренних экспертных оценок числовых параметров X; Е —

экспертная оценка, характеризующая внешние факторы изменения предприятия и выражаемая в виде набора нечетких термов тенденций «Уменьшение нагрузки», «Стабильность», «Увеличение нагрузки»; S - прогнозное состояние сервера, задаваемое нечетким термом из множества значений: «Недостаток загрузки», «Норма», «Превышение загрузки».

Теоретической базой для анализа прогнозирования числовых параметров по временным рядам характеристик является теория регрессионного моделирования и теория случайных процессов [7,8,9]. Однако статистические модели BP не работают с экспертными оценками. Для моделирования экспертных оценок применяют нечеткое моделирование [10,11,12].

Следовательно, учитывая особенности объекта исследования -терминального сервера предприятия, возникает необходимость комплексного подхода к моделированию состояния сервера по набору параметров путем объединения математического аппарата статистического и нечеткого моделирования.

1.2. Системы контроля параметров сервера

Проведем анализ аппаратных и программных средств контроля параметров сервера с целью определения наиболее важных параметров.

1.2.1. Аппаратные системы

Аппаратные средства контроля параметров сервера также называются системами контроля «здоровья» сервера и предлагаются многими производителями профессионального серверного оборудования.

HP Active Health System, предлагаемая HP в серверах ProLiant Gen8, занимается постоянным отслеживанием и анализом свыше 1600 параметров, и на основании этих данных принимаются решения о вероятности того или иного сбоя [13].

HP Active Health System - это своеобразный «черный ящик» сервера, куда

постоянно записываются состояния компонентов сервера и малейшие изменения

в конфигурации аппаратного обеспечения сервера. В зависимости от типа

17

контракта на поддержку данные могут записываться в «банк данных» сервера удаленной поддержки, чтобы, например, заранее предоставить жесткий диск на замену, если появятся первичные признаки деградации RAID-группы.

Из Active Health System Logging можно выгрузить отчет о работе сервера за определенный промежуток времени и отправить его в виде файла на диагностику в сервисный центр.

S.M.A.R.T. (Self-Monitoring, Analysis and Reporting Technology) [14,15] -система анализа состояния жестких дисков. SMART проводит постоянный мониторинг основных характеристик жесткого диска, каждая из которых получает оценку.

Характеристики можно разбить на две группы:

1. параметры, отражающие процесс естественного старения жёсткого диска (число оборотов шпинделя, число перемещений головок, количество циклов включения-выключения);

2. текущие параметры накопителя (высота головок над поверхностью диска, число переназначенных секторов, время поиска дорожки и количество ошибок поиска).

Данные хранятся в шестнадцатеричном виде, а потом пересчитываются в десятичные значения, показывающие надёжность относительно эталонного значения. Как правила, эти значения лежат в диапазоне от 0 до 100 или от 0 до 255.

Значение, близкое к правой границе диапазона показывает отсутствие изменений данного параметра или его медленное ухудшение. Чем ближе значение к левой границе - тем выше вероятность сбоя.

Технология S.M.A.R.T. позволяет осуществлять:

1. отслеживание различных параметров диска;

2. проверка поверхности HDD;

3. релокацию (замену) поврежденных секторов на хорошие.

1.2.2. Программные системы

Программные средства контроля параметров сервера не привязаны к физическому оборудованию и имеют менее обширные возможности контроля параметров. Однако, простота использования и низкая стоимость программных средств контроля позволяет использовать их для сбора информации о состоянии сервера.

Simple Server Monitor [16] - это мощная, простая в использовании утилита для мониторинга за сервером. Программа позволяет вам следить за статусом серверов и веб-приложений с рабочего стола. Программа Simple Server Monitor запускается как служба Windows с консолью мониторинга. Когда происходит сбой в мониторинге, вас оповещает всплывающее окно, e-mail тревога (изменяемые пользователем сообщения) и звуковой сигнал. Программа поддерживает протоколы ICMP, HTTP/HTTP, FTP/FTPS, SMTP/SMTPS, POP3/POP3S, IMAP/IMAPS и изменяемый мониторинг (поддержка SSL/TLS). Программа Simple Server Monitor также поддерживает мониторинг производительности, рисуя время отклика и запись всех последовательностей мониторинга в системный журнал.

Serversaurus Rex - это комплект аудита и мониторинга для Microsoft Windows серверов и рабочих станций. Данная программа позволяет администраторам извлекать детальную информацию о своей Windows системе и потом выполнять сбор данных по основной статистике производительности для отчетности и уведомлений. Устанавливая различные проблемные точки, проблемы, которые уменьшают производительность вашей системы, могут быть определены и установлены перед тем, как они повлияют на пользователей. Serversaurus Rex интегрирует большое количество заданий по управлению в своем интерфейсе, повышая возможности сетевых администраторов для быстрого выявления проблем и исправления потенциальных угроз. Serversaurus Rex наблюдают за производительностью, также как за Windows сервисами,

Список литературы диссертационного исследования кандидат наук Козлов, Александр Олегович, 2014 год

СПИСОК ЛИТЕРАТУРЫ

1. Ping Win Software. PWS ИТ-Мониторинг [Электронный ресурс] // PWS ИТ-Мониторинг— PingWin Software: [сайт]. [2013]. URL: http:// www.pingwinsoft.ru/pages/resheniya/resheniya/pwsitmonitoring (дата обращения: 27.05.2013).

2. NMS. // Система управления сетью NMS Aurora: [сайт]. [2013]. URL: http:// www.softm.tv/index.php/product-and-service-ru/nms-ru (дата обращения: 12.10.2013).

3. Терейковская Л .А. Перспективы использования методов теории вейвлет-преобразований для прогнозирования технического состояния internet-серверов // Управление развитием сложных систем. 2010. № 4. С. 100-103.

4. Vercauteren Т., Aggarwal P., Wang X., and Li Т.Н. Hierarchical Forecasting of Web Server Workload Using Sequential Monte Carlo Training // IEEE Transactions on Signal Processing. 2007. Vol. 55. No. 4. pp. 1286-1297.

5. Валеев С.Г., Кувайскова Ю.Е., Стецко А.А. Моделирование трафика вычислительной сети // Проведение научных исследований в области обработки, хранения, передачи и защиты информации : сб. науч. тр. Всерос. конф. с элементами науч. школы для молодежи (1-5 дек.). Ульяновск. 2009. Т. 2. С. 190-198.

6. Yarushkina N.G., Unusov T.R., and Afanasyeva T.V. Fuzzy tendency based time series model for forecasting server traffic // 2009 International Fuzzy Systems Association World Congress and 2009 European Society for Fuzzy Logic and Technology Conference, IFSA-EUSFLAT 2009 - Proceedings. 2009. pp. 792-797.

7. Колмогоров A.H., "Интерполяция и экстраполяция стационарных случайных последовательностей," Изв. АН СССР. Сер. матем., Т. 5, № №3, 1941. С. 1824.

8. Бартлетт М.С. Введение в теорию случайных процессов. М.: Изд-во иностр. лит., 1958. 384 с.

9. Свешников A.A. Прикладные методы случайных функций. М.: Наука, 1968. 172 с.

10. Song Q., Chissom B.S., "Forecasting enrollments with fuzzy time series - Part I," Fuzzy Sets and Systems, No. 54, 1993. pp. 1-9.

11. Ярушкина Н.Г. Основы теории нечетких и гибридных систем. М.: Финансы и статистика, 2004.

12. §ah М., Degtiarev K.Y. Forecasting Enrollment Model Based on First-Order Fuzzy Time Series // International Conference on Computational Intelligence, istanbul, Turkey. 2004. pp. 375-378.

13. HP. HP Active Health System // HP ProLiant Servers. URL: http:// hl8013.wwwl.hp.com/products/servers/management/activehealthsystem/index.html

14. Seagate Product Marketing. Get S.M.A.R.T. for Reliability 1999. URL: http:// argusmonitor.com/help/enhanced_smart.pdf

15. Бадалян E. Оцениваем состояние жёстких дисков при помощи S.M.A.R.T. 2012. URL: http://www.ixbt.com/storage/hdd-smart-testing.shtml

16. Software S.M. Simple Server Monitor [Электронный ресурс] URL: http:// www.simpleservermonitor.com/

17. ProLAN. ProLAN: Эксперт: Поддержка: Cisco IP SLA (SAA), SNMP, WMI, NetFlow, sFlow. Прозрачная интеграция с Network Instruments Observer Suite и Microsoft System Center Operations Manager 2007 [Электронный ресурс] [2013]. URL: http://www.prolan.ru/solutions/diagnostics/npmanalyst/index.html

18. Дрейпер H., Смит Г. Прикладной регрессионный анализ / Пер. с англ. М.: Издательский дом «Вильяме», 2007. 912 с.

19. Strassen V., "Gaussian Elimination is not Optimal," Numerische Mathemetik, No. 13, 1969. pp. 354-356.

20. Уилкинсон Д., Райнис С. Справочник алгоритмов на языке Алгол: Линейная алгебра / Пер. с англ. М.: Машиностроение, 1977. 389 с.

21. Seber G.A.F., Wild C.J. Nonlinear Regression. New York: John Wiley and Sons,

1989. 768 pp.

22. Валеев С.Г. Регрессионное моделирование при обработке наблюдений. М.: Наука, 1991.272 с.

23. Box G.E.P., Jenkins G.M. Time series analysis: Forecasting and control. Holden-Day, 1976. 575 pp.

24. Hoff C.J. A practical guide to Box-Jenkins forecasting. Belmont, California: Lifetime Learning Publications, 1983. 316 pp.

25. Pankratz A. Forecasting with univariate Box-Jenkins models: Concepts and cases. New York: Wiley, 1983. 562 pp.

26. VanDaele W. Applied Time Series and Box-Jenkins Models. Elsevier Science & Technology Book, 1983. 417 pp.

27. Bails D., Peppers L.C. Business fluctuations: Forecasting techniques and applications. Englewood Cliffs, NJ: Prentice-Hall, 1982. 482 pp.

28. Dickey D.A., Fuller W.A., "Distribution of the Estimators for Autoregressive Time Series with a Unit Root," Journal of the American Statistical Association, No. 74, 1979. pp. 427-431.

29. Marquardt D.W., "An Algorithm for Least-Squares Estimation of Nonlinear Parameters," Journal of the Society for Industrial and Applied Mathematics, Vol. 11, No. 2, Июнь 1963. pp. 431-441.

30. Айвазян C.A., Енюков И.С., Мешалкин Л.Д. Прикладная статистика. Основы моделирования и первичная обработка данных. М: Финансы и статистика, 1983.472 с.

31. Durbin J., Watson G.S., "Testing for serial correlation in least squares regression," Biometrica, No. 37, 1950. pp. 409-428.

32. Brown R.G. Smoothing, Forecasting and Prediction of Discrete Time Series. New York: Prentice-Hall, 1962. 468 pp.

33. Holt C.C. Forecasting seasonals and trends by exponentially weighted moving averages. Pittsburgh, Pa.: Carnegie institute of Technology, Graduate school of

Industrial Administration, 1957.

34. Winters P.R., "Forecasting Sales by Exponentially Weighted Moving Averages," Management Science, Vol. 6, No. 3, 1960. pp. 324-342.

35. Валеев С.Г., Кузин С.П., Татевян C.K., Фасхутдинова В.А., "Статистическое моделирование временных рядов изменений координат," Геодезия и картография, № 10, 2010. С. 9-14.

36. Валеев С.Г., Кувайскова Ю.Е., "Программное обеспечение обработки временных рядов техногенных характеристик," Обозрение прикладной и промышленной математики, Т. 16, № 6, 2009. С. 1038-1039.

37. Кувайскова ЮЕ, "Модели, алгоритмы и программное обеспечение обработки техногенных временных рядов," УлГТУ, Ульяновск, дис.. канд. техн. наук 2010.

38. Sargan J.D., Bhargava A., "Testing residuals from least squares regression for being generated by the Gaussian random walk," Econometrica, No. 51 (1), 1983. pp. 153174.

39. StatSoft. Обзор STATISTIC A URL: http://www.statsoft.ru/products/overview/

40. StatSoft. STATISTIC A Advanced Linear/Non-Linear Models URL: http:// www.statsoft.ru/products/STATISTICA_Advanced/statistica_advanced_linear-nonlinear_models.php

41. Cottrell A. Gnu Regression, Econometrics and Time-series Library 2013. URL: http://gretl.sourceforge.net/

42. Bhandari M., Joensson A. Clinical Research for Surgeons. Thieme, 2009. 315 pp.

43. Bliss C., "The method of probits," Science, No. 79 (2037), 1934. pp. 38-39.

44. Schnedler W., "Likelihood Estimation for Censored Random Vectors," Econometric Reviews, No. 24 (2), 2005. pp. 195-217.

45. JMulTi. Time Series Analysis with Java [Электронный ресурс] [2009]. URL: http:/ /www.jmulti.de/

46. Group G. Основные характеристики программы CaterpillarSSA 3.40

[Электронный ресурс] [2013]. URL: http://www.gistatgroup.com/gus/ detail.html#d3

47. Golyandina N., Nekrutkin V., and Zhigljavsky A. Analysis of Time Series Structure: SSA and Related Techniques. CHAPMAN & HALL/CRC, 2001. 303 pp.

48. Forecast Pro. Forecast Pro [Электронный ресурс] [2013]. URL: http:// forecastpro.ru/

49. IBM. Программное обеспечение IBM SPSS для прогностического анализа -Russia [Электронный ресурс] [2013]. URL: http://www-01.ibm.com/software/ru/ analytics/spss/

50. Валеев С.Г., Куркина С.В., "Программная реализация ДРМ-подхода для обработки и анализа временных рядов," Известия вузов. Геодезия и аэрофотосъемка, № 5, 2006. С. 10-21.

51. Валеев С.Г., Куркина С.В., "Программный комплекс для обработки временных рядов," Вестн. Ул. гос. техн. ун-та, № 4, 2005. С. 27-31.

52. Валеев С.Г., Кувайскова Ю.Е., Губайдуллина С.А., "Применение мультифрактального анализа при описании временных рядов в технике и экономике," Вестник УлГТУ, № 2, 2008. С. 23-27.

53. Валеев С.Г., Кувайскова Ю.Е., "Смешанные процессы авторегрессии и скользящего среднего для обработки временных рядов," Вестник УлГТУ, № 4, 2006. С. 37-41.

54. Валеев С.Г., Кувайскова Ю.Е., "Использование ARCH-структур и фильтра Калмана для моделирования динамики технико-экономических показателей," Вестник УлГТУ, № 2, 2007. С. 29-33.

55. Valeev S.G., Kuvayskova Y.E., and Velikanov A.M., "Scenarios of technogenic time series treatment in the environment of a package AS DRM-T," Interaktive Systems and Techologies: the Problems of Human-Computer Interaction, Vol. 3, 2009. pp. 370-373.

56. Заде JI.А. Основы нового подхода к анализу сложных систем и процессов

принятия решений // Математика сегодня. 1974. С. 5-49.

57. Батыршин И.З., Шереметов Л.Б., "Модели для перцептивного дата майнинга временных рядов для систем поддержки принятия решений," Нечеткие системы имыгкие вычисления, Т. 2, № №1, 2007.

58. Батыршин И.З., Недосекин А.О., Стецко A.A. Нечеткие гибридные системы. Теория и практика. М.: Физматлит, 2007. 208 с.

59. Борисов В.В., Круглов В.В., С. Ф.А. Нечеткие модели и сети. М.: Горячая линия - Телеком, 2007. 284 с.

60. Ротштейн А.П. Интеллектуальные технологии ижентификации: нечеткая логика, генетические алгоритмы, нейронные сети. Винница: Универсум-Винница, 1999. 320 с.

61. Афанасьева Т.В. Модель ACL-шкалы для генерации лингвистических оценок в принятии решений // Вопросы современной науки и практики. Университет им. В.И.Вернадского. 2008. Т. 2 Серия «Технические науки». № 4(14). С. 9197.

62. Анфилатов B.C., Емельянов A.A., Кукушкин A.A. Системный анализ в управлении. М.: Финансы и статистика, 2002. 368 с.

63. Афанасьева Т.В., Валеев С.Г., А.О. К. Моделирование временных рядов в терминах нечетких тенденций // Материалы Десятого Всероссийского Симпозиума по прикладной и промышленной математике «Обзор прикладной и промышленной математики». 2009. Т. 16. С. 1019-1020.

64. Хаптахаева Н.Б., Дамбаева C.B., Аюшеева H.H. Введение в теорию нечетких множеств: Учебное пособие. Улан-Удэ: Изд-во ВСГТУ, 2004. 68 с.

65. Яхъяева Г.Э. Нечеткие множества и нейронные сети. М.: Интернет-университет информационных технологий; БИНОМ. Лаборатория знаний, 2006. 316 с.

66. Кофман А. Введение в теорию нечетких множеств. М.: Радио и связь, 1982. 432 с.

67. Jilani T.A., Aqil Burney S.M., and Ardil C. Fuzzy Metric Approach for Fuzzy Time Series. Forecasting based on Frequency Density Based Partitioning // Proceedings of World Academy of Science, Engineering And Technology. 2007. Vol. 23. pp. 333338.

68. Song Q., Chissom B.S., "Forecasting enrollments with fuzzy time series - Part II," Fuzzy Sets and Systems, No. 62, 1994. pp. 1-8.

69. Chen S.M., "Forecasting enrollments based on fuzzy time series," Fuzzy Sets and Systems, No. 81, 1996. pp. 311-319.

70. Tanaka H., Uejima S., and Asai K., "Linear regression analysis with fuzzy model," IEEE Transactions on Systems, Man and Cybernetics, No. 12(6), 1982. pp. 903-907.

71. Diamond P., "Fuzzy least squares," Information Sciences, No. 46(3), 1988. pp. 141157.

72. Celmins A., "Least squares model fitting to fuzzy vector data," Fuzzy Sets and Systems, No. 22(3), 1987. pp. 245-269.

73. D'Urso P., "Linear regression analysis for fuzzy/crisp input and fuzzy/crisp output data," Computational Statistics & Data Analysis, No. 42 (1-2), 2003. pp. M-12.

74. Hojati M., Bector C.R., and Smimou K., "A simple method for computation of fuzzy linear regression," European Journal of Operational Research, No. 166, 2005. P. 172—184.

75. Bisserier A., Boukezzoula R., and Galichet S. An Interval Approach for Fuzzy Linear Regression with Imprecise Data // IFSA/EUSFLAT Conf. 2009. pp. 13051310.

76. Таранцев А.А., "Принципы построения регрессионных моделей при исходных данных с нечетким описанием," Автоматика и телемеханика, № 11, 1997. С. 27-32.

77. Bardossy A., "Note on fuzzy regression," Fuzzy Sets and Systems, No. 37, 1990. pp. 65-75.

78. Sabic D.A., Pedrycr W., "Evaluation on fuzzy linear regression models," Fuzzy Sets

and Systems, No. 23, 1991. pp. 51-63.

79. Полещук O.M. Выявление существенных показателей при работе с нечеткой информацией // Автоматизация и компьютеризация информационной техники и технологии. Научные труды. Вып. 308. М. 2000. С. 220.

80. Tseng F.M., Tzengb G.H., Yu Н.С., and Yuan B.J.C., "Fuzzy ARIMA model for forecasting the foreign exchange market," Fuzzy Sets and Systems, No. 118, 2000. pp. 9-19.

81. Khashei A., Bijari M., Raissi A., and Raissi Ardali G.A., "Improvement of AutoRegressive Integrated Moving Average Models using Fuzzy logic and Artificial Neural Networks," Neurocomputing, Vol. 72, No. 4-6, 2009. pp. 956-967.

82. Ярушкина Н.Г., Юнусов T.P., Афанасьева T.B., "Моделирование трафика терминал-сервера на основе анализа нечетких тенденций временных рядов," Программные продукты и системы, № 4, 2007. С. 15-19.

83. Стецко А.А., "Принятие проектных решений на основе анализа нечетких тенденций временных рядов," Программные продукты и системы, № 3, 2008. С. 92-95.

84. Huarng К., "The application of neural networks to forecast fuzzy time series," Physica, No. 336, 2006. pp. 481-491.

85. Yu Т., Huarng K., "A bivariate fuzzy time series model to forecast the TAIEX," Expert systems with Applications, Vol. 34, No. 4, 2008. pp. 2945-2952.

86. Alizadeh M., Rada R., Balagh A.K.G., and Esfahani M.M.S. // IFSA/EUSFLAT Conf. 2009. pp. 1745-1750.

87. Kuo R.J., "A sales forecasting system based on fuzzy neural network with initial weights generated by genetic algorithm," European Journal of Operational Research, Vol. 129, No. 3, 2001. pp. 496-517.

88. Глебов A.A., "Модель краткосрочного прогнозирования электропотребления с помощью нейро-нечетких систем," Южно-Российский вестник геологии, географии и глобальной энергии, № 7(20), 2006. С. 142-146.

89. Коробова И.Л., Дьяков И.А. Основы теории нечетких множеств: Методические указания. Тамбов: Изд-во Тамбовского государственного технического университета, 2003. 24 с.

90. Афанасьева Т.В., Ярушкина Н.Г. Нечеткое моделирование временных рядов и анализ нечетких тенденций. Ульяновск: УлГТУ, 2009. 299 с.

91. Holt С.С. Forecasting seasonals and trends by exponentially weighted moving averages. Pittsburgh, Pa.: Carnegie institute of Technology, Graduate school of Industrial Administration, 1957.

92. Chen S.M., "Forecasting enrollments based on fuzzy time series," Fuzzy Sets and Systems, № 81, 1996. C. 311-319.

93. Басараб M.A., Колесников A.B., Иванов И.П. Анализ сетевого трафика корпоративной сети университета методами нелинейной динамики // Наука и образование. 2013. № 8. С. 341-352.

94. Паяин С.В. Методика динамического управления загрузкой канала связи в корпоративных сетях с гарантированной доставкой данных: Дис. канд. техн. наук. М. 2009. 112 с.