УДК 004.051
DOI: 10.36871/26189976.2026.02-3.015

Авторы

Сергей Юрьевич Ситников,
КГЭУ Казанский государственный энергетический университет, Казань, Россия
Фатимат Мухамедовна Цеева,
Федеральное государственное бюджетное образовательное учреждение высшего образования «Кабардино-Балкарский государственный университет им. Х. М. Бербекова», Нальчик, Россия
Осман Мовладинович Минаев,
ФГБОУ ВО «Чеченский государственный университет им. А. А. Кадырова», Грозный, Россия

Аннотация

В статье рассматривается проблема оптимизации энергопотребления серверных приложений на основе профилирования нагрузок и применения методов машинного обучения. Осуществлён теоретический анализ подходов к формированию нагрузочных профилей, классификации моделей машинного обучения и их интеграции в контур многокритериального управления энергопотреблением. Проводится сопоставление классических инженерных методов энергосбережения с интеллектуальными подходами, ориентированными на прогнозирование нагрузки и мощности. Предлагается концептуальная модель, включающая архитектуру сбора телеметрических данных, этапы построения прогностических моделей и постановку задачи оптимизации. Подчеркивается возможность снижения энергозатрат без проведения дорогостоящих экспериментальных кампаний.

Ключевые слова

энергопотребление
серверных приложений
профилирование нагрузки
машинное обучение
прогнозирование мощности

Список литературы

[1] Бобряков А. А., Кошарная Ю. В. Анализ методов расчёта технического риска и вероятности отказа воздушных линий электропередач // Промышленная энергетика. 2025. № 1. С. 50–57.

[2] Институт изучения мировых рынков. ИИ-бум и трансформация глобальной энергетики: как дата-центры превращаются в ключевого потребителя. Отчёт. 2025. 30 с

[3] Легкодымов Д. М., Левшун Д. С., Котенко И. В. Применение машинного обучения для профилирования устройств Интернета вещей с целью обнаружения вредоносной активности // Научно-технический вестник информационных технологий, механики и оптики. 2025. Т. 25. № 4. С. 663–675.

[4] Метелкин Я. В., Маковий К. А. Интеллектуализация использования аппаратных ресурсов центра обработки данных, оказывающего услуги облачных вычислений // Моделирование, оптимизация и информационные технологии. 2021. Т. 9. № 4. С. 1–9.

[5] Носкова Е. С., Захаров И. Е., Шкандыбин Ю. Н., Рыкованов С. Г. Повышение энергоэффективности нейросетевых вычислений с использованием NVDLA на ПЛИС // Компьютерная оптика. 2022. Т. 46. № 1. С. 160–166.

[6] Олисевич Е. А. Обеспечение отказоустойчивого доступа веб-приложений к высоконагруженным серверам // Политехнический молодёжный журнал. 2019. № 6. С. 1–8.

[7] Редругина Н. М., Тарабанов И. Ф. Синтез аналитических моделей и методов машинного обучения для балансировки нагрузки при строгих ограничениях на время отклика // Информационные технологии и телекоммуникации. 2025. Т. 13. № 2. С. 43–51.

[8] Саенко И. Б., Лаута О. С., Васильев Н. А., Садовников В. Е. Подход к эффективной обработке информации с датчиков системы умного дома при помощи методов машинного обучения // Цифровые технологии управления комплексами: труды конф. 2023. С. 229–233.

[9] Федин М. А., Калинин В. А., Негробов Я. С., Булатенко М. А., Гераскин А. Ю. Разработка и экспериментальное исследование системы электрического обогрева с термоконтролем на основе пьезокварцевых датчиков температуры // Промышленная энергетика. 2025. № 1. С. 16–24.