Тип публикации: статья из журнала
Год издания: 2026
Ключевые слова: AIOps, arima, ci/cd, devOps, Ets, GitLab, pipeline, residual, forecasting, прогнозирование
Аннотация: Цель исследования - разработка и экспериментальная проверка прототипа информационно-аналитической системы TimeForge для прогнозирования длительности CI/CD-процессов на основе анализа временных рядов и накопления журнала прогнозов и ошибок. Задачи исследования включают уточнение понятий pipeline и residual-поправки применительно к CПоказать полностьюI/CD-инфраструктуре, организацию сбора и хранения наблюдений о длительности запусков, реализацию контура построения прогнозов, формирование журнала связки «прогноз - факт - ошибка», а также сравнительную оценку скользящей базовой модели, ARIMA и ETS. В качестве методов исследования использованы анализ временных рядов, программное прототипирование, ретроспективная экспериментальная оценка и сравнительный анализ моделей прогнозирования по метрикам MAE, RMSE и MAPE. Предложенный прототип объединяет Python-контур прогнозирования, Go API журнала прогнозов и PostgreSQL/TimescaleDB. На выборке из 36 наблюдений скользящая базовая модель показала наименьшую MAE - 554,6 с, ARIMA - 621,7 с, ETS - 629,1 с. Полученные результаты показывают целесообразность использования baseline-модели как эксплуатационного уровня и применения более сложных моделей в режиме теневой проверки до доказанного улучшения качества прогноза. The objective of this study is to develop and experimentally validate a prototype of the TimeForge information and analytical system for forecasting the duration of CI/CD processes based on time series analysis and accumulation of a forecast and error log. The objectives of the study include clarifying the concepts of pipeline and residual corrections as applied to the CI/CD infrastructure, organizing the collection and storage of run duration observations, implementing a forecasting loop, generating a forecast-actual-error log, and comparatively evaluating a rolling baseline model, ARIMA, and ETS. The research methods used include time series analysis, software prototyping, retrospective experimental evaluation, and comparative analysis of forecasting models using the MAE, RMSE, and MAPE metrics. The proposed prototype combines a Python forecasting loop, a Go forecast log API, and PostgreSQL / TimescaleDB. On a sample of 36 observations, the rolling baseline model demonstrated the lowest MAE - 554.6 s, ARIMA - 621.7 s, and ETS - 629.1 s. The obtained results demonstrate the feasibility of using the baseline model as an operational level and applying more complex models in shadow validation mode until forecast quality is proven to improve.
Журнал: Перспективы науки
Выпуск журнала: № 7
Номера страниц: 63-67
ISSN журнала: 20776810
Место издания: Тамбов
Издатель: МОО ФРНК