Разработка алгоритмов и методов для автоматизации процессов с гибкой системой настройки по управлению ресурсами с учётом требований к производительности. Разработка методов на основе интеллектуального анализа данных, обеспечивающих оптимизацию характеристик облачных сервисов без ущерба для их производительности. Исследование применения технологии машинного обучения для разработки модели точного прогнозирования бюджета и учета расходов при управлении облачной ИТ-инфраструктурой. Разработка алгоритмов для анализа сложных динамических факторов и изменчивости потребностей пользователей инфраструктуры.

Разработан и верифицирован комплексный подход, включающий алгоритмы и методы, обеспечивающие автоматизацию процессов с гибкой системой настройки управления облачными ресурсами ИТ-инфраструктуры с учётом динамических требований к производительности, времени жизни (TTL), максимальной стоимости и текущей нагрузки. Разработан комплексный алгоритм автоматизации управления ресурсами с гибкой системой настройки, реализованный с применением технологий микросервисной архитектуры и асинхронной обработкой данных. Созданы ключевые сервисы системы, обеспечивающие сбор данных в реальном времени (3 запроса в секунду) и автоматизированное гибкое управление облачной инфраструктурой. Внедрение специализированного агента на стороне клиента обеспечивало оперативное изменение конфигураций ресурсов с временем реакции не более 70 секунд, что подтвердило высокую эффективность разработанного решения в реальных условиях. Установлено, что время внедрения системы, от интеграции облака до получения первого отчёта, не превышало 30 минут, что демонстрирует практическую применимость решения для инфраструктур различного масштаба. Сформирована методика оптимизации характеристик облачных сервисов на основе разработанной модели суточных профилей, статистического и интеллектуального анализа данных. Предложенный метод сегментации PELT позволил выявлять периоды низкой активности ресурсов, а алгоритмы оптимизации вычислительных и хранилищных ресурсов обеспечивали существенный потенциал сокращения расходов без ущерба для производительности инфраструктуры. Исследованы технологии машинного обучения и разработана модель точного прогнозирования бюджета и учета расходов при управлении облачной ИТ-инфраструктурой. Комплексирование модели ARIMA, показавшей высокую точность (R² > 0.98) для месячных прогнозов бюджета, и модели Random Forest Regressor, с производительностью по метрике MAPE 7.6–12.4%, для прогнозирования почасовых расходов, позволило создать эффективную модель мониторинга и прогнозирования затрат. Разработан комплексный алгоритм анализа сложных динамических факторов и изменчивости потребностей пользователей с целью оперативного выявления аномалий расходов и их классификации. Исследованы и верифицированы пять моделей машинного обучения: Decision Tree, CatBoost, XGBoost, LightGBM и Random Forest. Модель машинного обучения CatBoost продемонстрировала наилучшую производительность (F1-score 0.818), обеспечивая адаптивность к динамическим факторам в реальных сценариях.