РАЗРАБОТКА И ОЦЕНКА САМОКОНТРОЛИРУЕМЫХ ИНТЕЛЛЕКТУАЛЬНЫХ СИСТЕМ С ИСПОЛЬЗОВАНИЕМ ИНСТРУМЕНТОВ PROMETHEUS И GRAFANA
DOI:
https://doi.org/10.52167/1609-1817-2025-141-6-232-242Ключевые слова:
интеллектуальная система, мониторинг, метрики, логирование, производительность, анализ, backend системаАннотация
Интеллектуальные системы работают в постоянно меняющихся условиях с возрастающими нагрузками и сложной структурой, что делает анализ производительности и надежности сложной задачей. В данной статье подробно описывается проектирование и оценка интеллектуальной системы с механизмом самоконтроля, основанным на наблюдаемости. Для обеспечения полного и всестороннего непрерывного мониторинга и анализа рабочей нагрузки в рамках системы мониторинга использовались Prometheus для сбора метрик, Grafana для визуализации метрик и журналов, а также Loki для агрегирования рабочих нагрузок. В контролируемых экспериментах использовались синтетические рабочие нагрузки для оценки уровня пропускной способности запросов, задержки ответа и высоких процентилей показателей производительности. Результаты показывают, что система мониторинга, основанная на наблюдаемости, обеспечивает более глубокое понимание характеристик производительности сложных интеллектуальных систем и помогает выявлять узкие места в производительности, тем самым предоставляя пользователям четкое представление о производительности при различных нагрузках. Предлагаемая методика, как жизнеспособный способ достижения самоконтроля интеллектуальных систем, предлагает простой и практичный способ воспроизведения возможностей самоконтроля интеллектуальных систем.
Библиографические ссылки
[1] Schneider, P., & Xhafa, F. (2022). Anomaly detection and complex event processing over iot data streams: with application to EHealth and patient data monitoring. Academic Press. https://doi.org/10.1016/b978-0-12-823818-9.00023-7
[2] Nangi, P. R., Obannagari, C. K. R. N., & Settipi, S. (2024). Serverless Computing Optimization Strategies Using ML-Based Auto-Scaling and Event-Stream Intelligence for Low-Latency Enterprise Workloads. International Journal of Emerging Trends in Computer Science and Information Technology, 5(3), 131-142. https://doi.org/10.63282/3050-9246.ijetcsit-v5i3p113
[3] Adekola, P., Feranmi, A., & John, B. (2025). AI-Driven Data Quality Management in ETL: Leveraging Machine Learning for Anomaly Detection, Cleansing, and Schema Evolution. https://doi.org/10.35629/3795-1106134136
[4] Liu, X., Li, X., Chen, Z., Zhou, H., & Zhang, Z. (2025). Utilisation of cloud computing and internet of things technology in power distribution automation. International Journal of Global Energy Issues, 47(6), 558-579. https://doi.org/10.1504/ijgei.2025.149582
[5] Lawal, K. (2025). A Novel Framework for Next-Generation Data Pipelines in Real-Time Cloud Analytics. https://doi.org/10.2139/ssrn.5331953
[6] Tiwari, S., & Agarwal, S. (2022). Data stream management for CPS-based healthcare: a contemporary review. IETE Technical Review, 39(5), 987-1010. https://doi.org/10.1080/02564602.2021.1950578
[7] Sungheetha, A., Sharma, R., Mahapatra, S., & Siddiq, S. A. SMART-IoTA: Self-Monitoring Adaptive Real-Time IoT Architecture for Precision Agriculture with Temporal-Spatial Optimization. https://doi.org/10.1109/iccams65118.2025.11234628
[8] Madabathula, L. (2025). Autonomous Data Ecosystem: Self-Healing Architecture with Azure Event Hub and Databricks. Journal of Computer Science and Technology Studies, 7(8), 866-873. https://doi.org/10.32996/jcsts.2025.7.8.30
[9] Tyler, R. Anomaly Detection Frameworks for Data Drift, Schema Drift, and Replication Inconsistencies in Streaming Architectures. https://doi.org/10.1109/icispc57208.2022.00019
[10] Ryalat, M. (2025). Smart additive manufacturing: An IoT-driven framework for predictive failure detection and sustainable operation. Additive Manufacturing Frontiers, 200264. https://doi.org/10.1016/j.amf.2025.200264
[11] Patel, P. (2025, March). Predictive maintenance in cyber-physical systems using streaming big data analytics. In ECCSUBMIT Conferences (Vol. 3, No. 1, pp. 80-87). https://doi.org/10.1016/c2018-0-00208-x
[12] Ordieres-Meré, J., Sánchez-Herguedas, A., & Mena-Nieto, Á. (2025). A Data-Driven Monitoring System for a Prescriptive Maintenance Approach: Supporting Reinforcement Learning Strategies. Applied Sciences, 15(12), 6917. https://doi.org/10.3390/app15126917
[13] Lewandowska, A. E. (2025). Real-Time AI-Driven Healthcare and Banking Cloud Framework: Integrating Artificial Neural Networks with Oracle EBS, Azure DevOps, and Autonomous Error Detection. International Journal of Research and Applied Innovations, 8(Special Issue 1), 41-45. https://doi.org/10.1109/icssas66150.2025.11080854
[14] Akishev, K., Tulegulov, A., Kalkenov, A., Aryngazin, K., Nurtai, Z., Yergaliyev, D., Yergesh, M., & Jumagaliyeva, A. (2023). Development of an intelligent system automating managerial decision-making using big data. Eastern-European Journal of Enterprise Technologies, 6(3 (126), 27–35. https://doi.org/10.15587/1729-4061.2023.289395
Загрузки
Опубликован
Как цитировать
Выпуск
Раздел
Категории
Лицензия
Copyright (c) 2026 Айнур Джумагалиева
Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial-NoDerivatives» («Атрибуция — Некоммерческое использование — Без производных произведений») 4.0 Всемирная.
