Departemen IT VTB kaping pirang-pirang kudu ngatasi kahanan darurat ing operasi sistem, nalika beban kasebut saya tambah kaping pirang-pirang. Mulane, perlu kanggo ngembangake lan nguji model sing bakal prédhiksi beban puncak ing sistem kritis. Kanggo nindakake iki, spesialis IT bank nyiyapake pemantauan, nganalisa data lan sinau kanggo ngotomatisasi ramalan. Kita bakal pitutur marang kowe ing artikel singkat kang alat mbantu prédhiksi beban lan apa padha mbantu ngoptimalake karya.
Masalah karo layanan beban dhuwur muncul ing meh kabeh industri, nanging kanggo sektor finansial kritis. Ing jam X, kabeh unit tempur kudu siyap, lan mulane kudu ngerti luwih dhisik apa sing bisa kedadeyan lan malah nemtokake dina nalika beban bakal mlumpat lan sistem sing bakal ditemoni. Gagal kudu ditangani lan dicegah, mula kabutuhan kanggo ngetrapake sistem analitik prediktif ora dibahas. Sampeyan perlu kanggo modernisasi sistem adhedhasar data pemantauan.
Analytics ing dhengkul
Proyek gaji minangka salah sawijining sing paling sensitif yen gagal. Iku sing paling dingerteni kanggo prakiraan, mula kita mutusake kanggo miwiti. Amarga konektivitas sing dhuwur, subsistem liyane, kalebu layanan perbankan jarak jauh (RBS), bisa ngalami masalah nalika beban puncak. Contone, klien sing seneng karo SMS babagan nampa dhuwit wiwit aktif nggunakake. Beban bisa mlumpat kanthi luwih saka urutan gedhene.
Model ramalan pisanan digawe kanthi manual. Kita njupuk unggahan kanggo taun pungkasan lan ngetung dina sing paling dhuwur sing dikarepake: contone, tanggal 1, 15 lan 25, uga ing dina pungkasan sasi. Model iki mbutuhake biaya tenaga kerja sing signifikan lan ora menehi ramalan sing akurat. Nanging, iku dikenali bottlenecks ngendi iku perlu kanggo nambah hardware, lan ndadekake iku bisa kanggo ngoptimalake proses nransfer dhuwit dening sarujuk karo klien anchor: supaya ora menehi gaji ing siji gulp, transaksi saka wilayah beda wis diwenehi jarak liwat wektu. Saiki kita proses ing bagean sing infrastruktur IT bank bisa "nyamah" tanpa gagal.
Sawise nampa asil positif pisanan, kita pindhah menyang ngotomatisasi prakiraan. Welasan wilayah kritis liyane ngenteni giliran.
Pendekatan terpadu
VTB wis ngetrapake sistem ngawasi saka MicroFocus. Saka ing kana kita njupuk data koleksi kanggo prakiraan, sistem panyimpenan lan sistem laporan. Nyatane, pemantauan wis ana, sing isih ana yaiku nambah metrik, modul prediksi lan nggawe laporan anyar. Kaputusan iki didhukung dening kontraktor eksternal Technoserv, saéngga karya utama kanggo ngetrapake proyek kasebut tiba ing spesialis, nanging kita mbangun model kasebut dhewe. Sistem prakiraan digawe adhedhasar Nabi, produk open source sing dikembangake dening Facebook. Gampang digunakake lan gampang digabung karo alat pemantauan terintegrasi lan Vertica. Secara kasar, sistem nganalisa grafik beban lan ekstrapolasi adhedhasar seri Fourier. Sampeyan uga bisa nambah koefisien tartamtu ing dina, dijupuk saka model kita. Metrik dijupuk tanpa campur tangan manungsa, ramalan kanthi otomatis diitung maneh seminggu, lan laporan anyar dikirim menyang panampa.
Pendekatan iki ngenali siklus utama, contone, taunan, saben wulan, seprapat lan mingguan. Pembayaran gaji lan kemajuan, preian, preian lan dodolan - kabeh iki mengaruhi nomer telpon menyang sistem. Ternyata, contone, sawetara siklus tumpang tindih, lan beban utama (75%) ing sistem kasebut asale saka Distrik Federal Tengah. Entitas hukum lan individu tumindak beda. Yen beban saka "ahli fisika" disebarake kanthi rata ing dina minggu (iki akeh transaksi cilik), mula kanggo perusahaan 99,9% digunakake kanggo jam kerja, lan transaksi bisa cendhak, utawa bisa diproses sajrone sawetara. menit utawa malah jam.
Adhedhasar data sing dipikolehi, tren jangka panjang ditemtokake. Sistem anyar wis mbukak manawa wong-wong padha pindhah menyang layanan perbankan remot. Saben uwong ngerti iki, nanging kita ora nyana ukuran kasebut lan pisanan ora percaya: jumlah telpon menyang kantor bank saya suda kanthi cepet, lan jumlah transaksi remot saya tambah kanthi jumlah sing padha. Mulane, beban ing sistem uga saya tambah lan bakal terus saya tambah. Saiki kita prakiraan beban nganti Februari 2020. Dina normal bisa diprediksi kanthi kesalahan 3%, lan dina puncak kanthi kesalahan 10%. Iki minangka asil sing apik.
pitfalls
Kaya biasane, iki ora tanpa kesulitan. Mekanisme ekstrapolasi nggunakake seri Fourier ora ngliwati nol - kita ngerti manawa entitas hukum ngasilake sawetara transaksi ing akhir minggu, nanging modul prediksi ngasilake nilai sing adoh saka nol. Sampeyan bisa mbenerake kanthi paksa, nanging kruk dudu cara kita. Kajaba iku, kita kudu ngatasi masalah njupuk data tanpa rasa sakit saka sistem sumber. Koleksi informasi reguler mbutuhake sumber daya komputasi sing serius, mula kita nggawe cache kanthi cepet nggunakake replikasi lan nampa data bisnis saka replika. Ora ana beban tambahan ing sistem master ing kasus kasebut minangka syarat pamblokiran.
tantangan anyar
Tugas langsung kanggo prédhiksi puncak wis ditanggulangi: ora ana kegagalan sing gegandhengan karo kakehan ing bank wiwit Mei taun iki, lan sistem prakiraan anyar nduweni peran penting ing babagan iki. Ya, ternyata ora cukup, lan saiki bank pengin ngerti carane mbebayani puncak kasebut. Kita butuh prediksi nggunakake metrik saka tes beban, lan kira-kira 30% sistem kritis iki wis bisa digunakake, liyane ana ing proses entuk prediksi. Ing tahap sabanjure, kita bakal prédhiksi beban ing sistem ora ing transaksi bisnis, nanging babagan infrastruktur IT, yaiku kita bakal mudhun siji lapisan. Kajaba iku, kita kudu ngotomatisasi koleksi metrik lan pambangunan ramalan adhedhasar mau, supaya ora ngatasi download. Ora ana sing nyenengake - kita mung nyabrang ngawasi lan nguji beban selaras karo praktik paling apik global.
Source: www.habr.com