Базовые элементы методологии снижения расхода остаточного ресурса вычислительных устройств систем распределенных вычислений на основе туманных и краевых вычислений

Цель исследования. Целью данного исследования является формирование комплекса базовых элементов методологии снижения расхода остаточного ресурса вычислительных устройств, функционирующих в составе систем распределенных вычислений на основе концепций туманных и краевых вычислений. Концепции туманных и краевых вычислений относительно новы и, невзирая на большой объем публикаций по этой теме, вопрос расходования ресурса вычислительных устройств с точки зрения значений ВБР не рассмотрен в литературе. Одновременно с этим, продление срока службы устройств в настоящее время крайне желательно,  что делает данное исследование актуальным.

Методы. Основными научными методами, применяемыми в рамках данного исследования, являются анализ (предметных областей), численное моделирование и натурный эксперимент, подтверждающие целесообразность основных аспектов разрабатываемой методологии. 

В рамках концепций туманных и краевых вычислений считается целесообразным сдвиг вычислительной нагрузки к источникам данных, которые, как правило, находятся на краю сети. Однако современные исследования не затрагивают оценок влияния такой стратегии в размещении функциональных задач на оценочные значения вероятности безотказной работы устройств, которая характеризует состояние остаточного ресурса устройства. Между тем, возрастание нагрузки на устройства меньшей вычислительной мощности, чем, допустим, устройство в пределах датацентра, приводит к ускорению их изнаши-вания, что, в свою очередь, выливается в экономические затраты на поддержание функционирующей вычислительной инфраструктуры. Одновременно с этим уменьшается нагрузка на промежуточные устройства сети, поскольку они передают уменьшенные объемы данных, а также увеличивается время, которое может быть использовано на обработку данных, в случае, если последнее производится на краевых устройствах. Разрабатываемая методология предлагает комплексный подход при размещении функциональных задач распределенных информационных систем, учитывающий перечисленные особенности использования концепций туманных и краевых вычислений.

Результаты. Основными результатами данного исследования является описание комплекса базовых методов, составляющих методологию снижения расхода остаточного ресурса вычислительных устройств систем распределенных вычислений на основе туманных и краевых вычислений. Полученный комплекс опирается на разработанные модели и результаты проведенных экспериментальных исследований.

Заключение. В настоящее время, несмотря на массовое использование концепций туманных и краевых вычислений при реализации распределенных информационных систем, не было разработано единой методологии, которая позволила бы уменьшить расход ресурсов вычислительных устройств и тем самым продлить срок их службы. В рамках данной работы предлагается комплекс методов, дальнейшая проработка которых позволит увеличить срок службы устройств, составляющих вычислительную инфраструктуру систем распределенных вычислений.

1. Moysiadis V., Sarigiannidis P., Moscholios I. (2018). Towards Distributed Data Management in Fog Computing // Wireless Communications and Mobile Computing. https://doi.org/10.1155/2018/7597686

2. Aazam M., Zeadally S., Harras K. A. Offloading in fog computing for IoT: Review, enabling technologies, and research opportunities. Future Generation Computer Systems. 2018. https://doi.org/10.1016/j.future.2018.04.057

3. Fog computing in healthcare Internet of Things: A case study on ECG feature extraction / T. N. Gia, M. Jiang, A. M. Rahmani, T. Westerlund, P. Liljeberg, H. Tenhunen // Proceedings - 15th IEEE International Conference on Computer and Information Technology, CIT 2015, 14th IEEE International Conference on Ubiquitous Computing and Communications, IUCC 2015, 13th IEEE International Conference on Dependable, Autonomic and Se, 2015. 356–363. https://doi.org/10.1109/CIT/IUCC/DASC/PICOM.2015.51

4. Chueshev A., Melekhova O., Meshcheryakov R. CLOUD ROBOTIC PLATFORM ON BASIS OF FOG COMPUTING APPROACH // Lecture Notes in Computer Science. 2018. Vol. 11097 LNAI. P. 34-43.

5. Ануфриева Н.Ю., Мещеряков Р.В., Шевцова Г.А. Оценивание результативности работы центра информационного обслуживания // Труды СПИИРАН. 2010. № 3 (14). С. 76-90. Известия высших учебных заведений. Приборостроение. 2012. Т. 55. № 11. С. 63-66.

6. Liu, Kangkai & Guo, Linhan & Wang, Yu & Chen, Xianyu. (2020). Timely Reliability Analysis of Virtual Machines Considering Migration and Recovery in an Edge Server. Sensors. 10.3390/s21010093.

7. Stojmenovic I., Wen S. The Fog Computing Paradigm: Scenarios and Security Issues. Proceedings of the 2014 Federated Conference on Computer Science and Information Systems, 2014, 2, 1–8. https://doi.org/10.15439/2014F503

8. Big data processing in cloud computing environments / A. Noraziah, M. A. I. Fakherldin, K. Adam, M. A. Majid // Advanced Science Letters. 2017/ https://doi.org/10.1166/asl.2017.10227

9. Aazam M., Huh E. N. E-HAMC: Leveraging Fog computing for emergency alert service // 2015 IEEE International Conference on Pervasive Computing and Communication Workshops, PerCom Workshops 2015, 518–523. https://doi.org/10.1109/PERCOMW.2015.7134091

10. al Faruque M. A., Vatanparvar K. Energy Management-as-a-Service over Fog Computing Platform // IEEE Internet of Things Journal, 2016, 3(2), 161–169. https://doi.org/10.1109/JIOT.2015.2471260

11. A Comprehensive Survey on Fog Computing: State-of-the-Art and Research Challenges / C. Mouradian, D. Naboulsi, S. Yangui, R.H. Glitho, M.J. Morrow, P.A. Polakos // IEEE Communications Surveys & Tutorials, 2018, 20, 416-464.

12. Vehicular Fog Computing: A Viewpoint of Vehicles as the Infrastructures” / X. Hou, Y. Li, M. Chen, D. Wu, D. Jin, S. Chen // “IEEE Trans. Veh. Technol., Jun. 2016, vol. 65, no. 6, pp. 3860 – 3873.

13. R. Brzoza - Woch, M. Konieczny, P. Nawrocki, T. Szydlo, and K. Zielinski “Embedded systems in the application of fog computi ng - Levee monitoring use case” // 11th IEEE Symposium on Industrial Embedded Systems (SIES) , 2016, pp. 1 – 6.

14. Xu Y., Mahendran V., Radhakrishnan S. “Towards SDN - based fog computing: MQTT broker virtualization for effective and reliable delivery” // 8th International Conference on Communication Systems and Networks (COMSNETS) , 2016, pp. 1 – 6.

15. M. Aazam and E. - N. Huh, “E - HAMC: Leveraging Fog computing for emergency alert service” // IEEE International Conference on Pervasive Computing and Communication Workshops (PerCom Workshops) , 2015, pp. 518 – 523.

16. Inaltekin H., Gorlatova M., Mung C. (2017). Virtualized Control over Fog: Interplay Between Reliability and Latency. CoRR, abs/1712.0. https://arxiv.org/pdf/1712.00100.pdf

17. A., S. Dolgovechnost Integralnih schem I proizvodstvenniye metody ee prognozirovaniya. ChipNews, 2002, 6, 44–49.

18. Melnik E., Korovin I., Klimenko A. Improving dependability of reconfigurable robotic control system // Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics): 2017. Vol. 10459 LNAI. https://doi.org/10.1007/978-3-319-66471-2_16

19. Тимошенков С. П., Симонов Б. М. , Горошко В. Н. Основы теории надежности. М.: Изд-во «Юрайт», 2019. 445 с. URL: https://urait.ru/bcode/433079 (дата обращения: 12.04.2022).

20. Klimenko A., Safronenkova I. A Technique of Workload Distribution Based on Parallel Algorithm Structure Ontology. 2019. 10.1007/978-3-030-30329-7_4.