МАСШТАБИРОВАНИЕ ВЫЧИСЛИТЕЛЬНОГО КЛАСТЕРА СИСТЕМЫ МОНИТОРИНГА И КОНТРОЛЯ РАСХОДА ТОПЛИВА В УСЛОВИЯХ НЕСТАБИЛЬНЫХ ИЛИ ПЕРИОДИЧЕСКИХ НАГРУЗОК

SCALING THE COMPUTING CLUSTER OF THE FUEL CONSUMPTION MONITORING AND CONTROL SYSTEM UNDER UNSTABLE OR PERIODIC LOADS

Zhukov Timofey Dmitrievich

Student, Department of Computational Mathematics and Programming, Moscow Aviation Institute (National Research University) (MAI),

Russia, Moscow

Chernova Tatiana Alexandrovna

Scientific supervisor, Doctor of Technical Sciences, Associate Professor, Professor of the Department of Computational Mathematics and Programming, Moscow Aviation Institute (National Research University) (MAI),

Russia, Moscow

АННОТАЦИЯ

Широкое внедрение автоматизированных систем мониторинга транспорта и контроля расхода топлива стало отраслевым стандартом. Ключевая проблема таких систем заключается в том, что с одной стороны, пиковые нагрузки, сезонная активность приводят к замедлению обработки запросов и снижению доступности сервиса для конечных клиентов. С другой стороны, в периоды снижения спроса предприятие вынуждено нести избыточные финансовые затраты на поддержание неиспользуемых вычислительных ресурсов. Алгоритм прогнозирования нагрузки на вычислительную систему в пределах краткосрочной перспективы является решением данной проблемы.

ABSTRACT

The widespread adoption of automated vehicle monitoring and fuel consumption control systems has become an industry standard. The key problem with such systems is that, on the one hand, peak loads and seasonal activity lead to slower request processing and reduced service availability for end customers. On the other hand, during periods of reduced demand, companies are forced to incur excessive financial costs to maintain unused computing resources. An algorithm for predicting short-term computing system load offers a solution to this problem.

Ключевые слова: масштабируемость, высоконагруженные системы, горизонтальное масштабирование, мониторинг нагрузки, Kubernetes.

Keywords: scalability, high-load systems, horizontal scaling, load monitoring, Kubernetes.

ВВЕДЕНИЕ

Актуальность исследования обусловлена комплексом экономических и технологических вызовов, стоящих перед автотранспортными и топливо-снабжающими предприятиями в условиях повсеместной цифровизации логистических процессов. На протяжении последнего десятилетия в Российской Федерации фиксируется устойчивая тенденция к росту цен на горюче-смазочные материалы, что напрямую воздействует на себестоимость грузоперевозок и операционные бюджеты транспортных компаний. Внедрение автоматизированных систем мониторинга транспорта и контроля расхода топлива стало отраслевым стандартом. В связи с этим возникает вопрос о возможности снижения операционных затрат на ИТ-инфраструктуру при сохранении целевых показателей качества обслуживания.

ПРОБЛЕМАТИКА

Классическая ИТ-инфраструктура не способна эффективно обрабатывать циклические пики телеметрических данных, что приводит к деградации сервиса в часы максимальной нагрузки и неоправданным затратам на простаивающие мощности в периоды спада активности. Данная проблема создаёт технологический барьер для цифровой модернизации малого и среднего бизнеса, делая разработку решений с эластичным управлением вычислительными ресурсами экономически и научно актуальной задачей.

Реализация алгоритма прогнозирования нагрузки на основе исторических данных сможет гарантировать стабильную работу сервиса в периоды максимальной нагрузки при одновременном снижении операционных затрат во время уменьшения потока телеметрии от транспортных средств компании.

ВЫБОР ТЕХНОЛОГИЙ

В качестве технологической основы для обеспечения эластичного управления вычислительными ресурсами выбрана локально развёртываемая инфраструктура на базе стека Docker Compose, Kubernetes, Prometheus и Prometheus Adapter. Docker Compose стандартизирует среды выполнения и координирует развёртывание взаимосвязанных компонентов, Kubernetes обеспечивает автоматизированную оркестрацию контейнеров и управление жизненным циклом сервисов, а Prometheus осуществляет непрерывный сбор эксплуатационных метрик. Интеграция с Kubernetes API реализуется посредством специализированного компонента Prometheus Adapter, который транслирует кастомные метрики для модуля Horizontal Pod Autoscaler (HPA), обеспечивая тем самым динамическое масштабирование подов на основе актуальных показателей нагрузки.

АНАЛИТИЧЕСКИЙ МОДУЛЬ НАГРУЗКИ

Алгоритм работы аналитического сервиса выполняется с периодичностью раз в несколько секунд и реализует следующую последовательность операций. На этапе сбора данных с помощью SQL-запроса к БД, в которой хранится телеметрия, агрегируются исторические поступления телеметрии за 7 суток, формируя временной ряд среднего RPS за каждую минуту. На его основе строится сезонный профиль нагрузки, вычисленный относительно глобального среднего значения. Краткосрочное прогнозирование осуществляется методом взвешенного скользящего среднего по последним 30 минутам наблюдений с возрастающими весами, что обеспечивает адаптацию модели к актуальной динамике потока. Базовый прогноз корректируется сезонным фактором на горизонте 15 минут вперёд. Одновременно через Kubernetes API считывается фактическое число работающих реплик сервиса из статуса HPA, определяющее текущую пропускную способность кластера. Логика принятия решения сравнивает прогнозируемую нагрузку, увеличенную на 20-процентный буфер безопасности, с доступной ёмкостью: при дефиците ресурсов формируется сигнал масштабирования вверх, в противном случае передаётся ненулевое опорное значение, предотвращающее циклические переключения между увеличением и уменьшением количества реплик. Завершающий этап заключается в публикации расчётного сигнала через HTTP-экспортер Prometheus. Полученная метрика посредством Prometheus Adapter транслируется в External Metrics API Kubernetes.

Рисунок 1. Конфигурация HPA в Kubernetes кластере

Рисунок 2. Фрагмент кода аналитического модуля на языке Python

ДЕМОНСТРАЦИЯ РАБОТЫ

Для демонстрации работы аналитического модуля нагрузки запущен сценарий, который генерирует синтетические записи с равномерной нагрузкой заданного значения RPS. В рамках тестов использованы малые целевые значения запросов в секунду и пропускной способности одного экземпляра приложения для уменьшения объема загружаемых данных в БД.

В тесте задано ожидаемое целевое значение RPS, равное 10, при текущей нагрузке 5 RPS и пропускной способности одного экземпляра приложения 2 RPS. Модуль зафиксировал недостаточность существующих трёх реплик приложения: текущая ёмкость 6 RPS меньше ожидаемой нагрузки 12 RPS (с учетом 20-процентного буфера безопасности). Был активирован режим SCALE_UP, метрике fuel_monitor_predicted_rps установлено значение 12. В результате HPA масштабировал Deployment с 3 до 6 реплик на основе метрик, полученных от аналитического модуля нагрузки. Строка TARGETS: 2/2 (avg) означает, что значение метрики 12 при 6 репликах даёт среднее 12 / 6 = 2, что равно порогу averageValue: "2" в HPA. Система пришла в равновесие, заблаговременно предупредив дефицит вычислительных ресурсов.

Рисунок 3. Результат работы аналитического модуля нагрузки

ЗАКЛЮЧЕНИЕ

  В ходе исследования разработан и экспериментально апробирован прототип аналитического модуля прогнозирования нагрузки для систем мониторинга расхода топлива, интегрированного в контейнеризованную инфраструктуру на базе Kubernetes. Реализованный алгоритм, сочетающий агрегацию семидневной исторической телеметрии, построение сезонного профиля и взвешенное скользящее среднее, обеспечивает опережающее выявление дефицита вычислительных ресурсов на горизонте 15 минут. Данное решение позволит оптимизировать операционные затраты на ИТ-инфраструктуру за счёт эластичного управления ресурсами без снижения качества обслуживания телеметрических сервисов.

Список литературы:

1. Беневоленский С.Б., Чернова Т.А., Карпов А.В. Модельный анализ функционирования коммуникационного сервера в распределенной системе непрерывного мониторинга состояния сложных технических объектов. "Фундаментальные исследования" №12, 2010 г. -с. 66-72.
2. Курилова А. С. Современные системы слежения и мониторинга транспорта, используемые на автотранспортных предприятиях // KANT. – 2012.
3. Кошевой Н. Д., Гусев С. С. Разработка и исследование системы контроля расхода топлива // Автомобильный транспорт. - 2013. - №32. - С. 41-46.
4. Хлопцев А. Н. Оптимизация расходов предприятий на топливо и горюче-смазочные материалы при использовании систем диспетчерского управления автотранспортными средствами, использующими технологии спутниковой навигации. / Хлопцев А. Н. // Вестник Московского университета МВД России. – 2013. - №4 – С.206-210.
5. Петряков Д. С. Совершенствование и экономическое обоснование метода снижения затрат на ГСМ. / Петряков Д. С. // Вестник Курской государственной сельскохозяйственной академии. – 2012.
6. Мурзин, Ф. А. Облачные технологии: основные модели, приложения, концепции и тенденции развития / Ф. А. Мурзин, Т. В. Батура, Д. Ф. Семич // Программные продукты и системы. – 2014 – . – Т. -, № 3 – С. 64-72.
7. Акинин, Ю. Р. Быстрое создание Rest API сервиса на основе облачных технологий / Ю. Р. Акинин, А. В. Барабанов, Н. И. Гребенникова // Вестник Воронежского государственного технического университета. – 2012
8. Построение высоконагруженной информационной системы с облачным хранилищем данных / А. В. Гуляев [и др.] // Известия высших учебных заведений. Электроника. – 2013 – Т. -, № 6 – С. 92-93.
9. Печинкин А.В., Гайдамака Ю.В., Сопин Э.С., Таланова М.О. Анализ показателей эффективности функционирования системы облачных вычислений с динамическим масштабированием // Современные информационные технологии и ИТ-образование. - 2014 - С. 395-406.