Використання навчання з підкріпленням для оптимізації стратегії архівування даних для програмного сервера

Abstract

Ефективне стиснення даних є критично важливим компонентом сучасних систем резервного копіювання даних, особливо в середовищах із різними типами файлів і різними функціями продуктивності. Резервне копіювання захищає критично важливі дані програмного сервера від неочікуваних збоїв, таких як апаратні збої, помилки програмного забезпечення або кібератаки, забезпечуючи безперервність роботи бізнесу. Надійні стратегії резервного копіювання необхідні для відновлення критично важливих систем і служб, забезпечення безперервності роботи в разі збоїв інфраструктури. Багато галузей підтримують безпечне резервне копіювання даних відповідно до правових і нормативних вимог щодо захисту даних та конфіденційності. На основі аналізу експериментальних даних запропоновано новий підхід до навчання з підкріпленням, використовуючи модель проксимальної політики оптимізації для динамічної оптимізації стратегії архівування даних, яка є частиною систем резервного копіювання. Модель навчена передбачати найефективнішу комбінацію параметрів стиснення на основі атрибутів файлів у цільовій файловій системі, вивчаючи стан середовища та скалярну безпосередню винагороду і час резервного копіювання даних для конкретних файлів. Цей адаптивний підхід дозволяє моделі приймати рішення в режимі реального часу, пристосовані до варіацій робочого навантаження програмного сервера. Пропонований підхід дає змогу реалізувати операції резервного копіювання різних типів файлів з певною комбінацією параметрів стиснення. При цьому модель, навчаючись, оцінює винагороду та коригує політику для максимізації своєї ефективності прогнозування. Для оцінювання результатів експерименту необхідно виконати резервне копіювання зі всіма можливими комбінаціями параметрів стиснення, щоб визначити максимальну можливу винагороду для кожної комбінації параметрів стиснення. Максимальна винагорода використовується для порівняння з винагородою моделі в процесі оцінювання моделі. Наголошено на потенціалі машинного навчання для автоматизації та оптимізації завдань резервного копіювання даних, надаючи оптимізоване рішення для високопродуктивних систем або середовищ із частим записуванням даних. Отримані результати сприятимуть покращенню програмного забезпечення та роботи DevOps спеціалістів, а також зменшать використання дискового простору та час резервного копіювання для даних програмного сервера

Efficient data compression is a critical component of modern data backup systems, particularly in environments with diverse file types and different performance features. Backups safeguard critical application server data against unexpected failures, such as hardware malfunctions, software bugs, or cyberattacks, ensuring business continuity. Many industries maintain secure data backups to meet legal and regulatory requirements, ensuring loyalty to data protection and privacy laws. However regular backup solutions are often unable to adapt effectively to the changing data of the application server. This paper proposes a novel reinforcement learning (RL) approach using the Proximal Policy Optimization (PPO) model to dynamically optimize data archiving strategy, which is part of backup systems. The model is trained to predict the most efficient combination of compression parameters based on the attributes of files in the target file system. By learning from file-specific observations and rewards, it adapts to work in a backup-specific environment to minimize consumed disk storage and backup time. This adaptive approach enables real-time decision-making tailored to workload variations of the application server environment. The proposed solution performs backup operations across various file types and configurations for the learning phase, where the model evaluates and adjusts policy to maximize its efficiency. To evaluate the results another client should perform all possible combinations of action parameters to determine all possible observations and rewards. The rewards are compared to decisions made by the proposed solution to ensure PPO model has correct and best possible predictions during the evaluation phase. This study highlights the potential of RL in automating and optimizing data backup tasks, providing a scalable solution for high-performance systems or environments with frequent data writes. The results obtained contribute to improving the software backup systems and DevOps specialists' work and reduce disk storage consumption and time elapsed for backup tasks for the application server