Повышение ресурсной эффективности распределенных архитектур систем обработки данных на основе априорных данных о поздних сроках завершения работ

Цель исследования. Целью данного исследования является разработка метода повышения эффективности распределенных архитектур систем обработки данных, функционирующих в «туманном» и «краевом» слоях сети. В условиях высокой динамики как сетевой инфраструктуры, так и нагрузки, задача формирования архитектуры систем обработки данных решается регулярно (миграция виртуальных машин, горизонтальное масштабирование). При этом практически не рассматривается вопрос расхода вычислительного ресурса вычислительных узлов, в то время как зачастую используемые устройства обладают сравнительно небольшими мощностями, а высокая их загруженность ведет к сокращению срока эксплуатации. Поэтому создание методов формирования эффективной в аспекте сохранения вычислительного ресурса архитектуры системы вычислительных устройств является актуальной задачей.

Методы. Основными научными методами, применяемыми в рамках данного исследования, являются анализ предметной области, методы исследования операций, методы оптимизации и компьютерное моделирование, подтверждающие целесообразность основных аспектов разрабатываемого метода. Для реализации повышения эффективности размещения вычислительных задач на узлах фрагмента сети в данной работе сформулирована многокритериальная задача оптимизации, где каждому элементу векторной целевой функции соответствует индивидуальное значение вероятности безотказной работы вычислительного устройства. Для получения оценочных значений стоимостной функции используются априорные оценки поздних сроков завершения решения вычислительных задач узлами, поскольку выделяемый для решения ресурс зависит от выделенного времени, а время решения задачи, соответственно, от выделяемого вычислительного ресурса. Значение стоимостной функции вычисляется на основании приближенных априорных оценок, что приводит к позитивному эффекту по части расхода вычислительных ресурсов устройств.

Результаты. Результатом исследования является разработанный метод повышения эффективности распределенных архитектур систем обработки данных, функционирующих в «туманном» и «краевом» слоях сети.

Заключение. Предложенный в данной работе метод позволяет выбрать такое размещение нагрузки, чтобы уменьшить загруженность устройств и таким образом снизить расход вычислительного ресурса.

1. Safronenkova I., Melnik Y. (2022). An Estimation of the Workload Relocation Techniques Application in Distributed CAD Systems Area. 10.1007/978-3-030-87178-9_56.

2. Hinkelmann Heiko, Zipf P., Glesner Manfred. (2009). A scalable reconfiguration mechanism for fast dynamic reconfiguration. 145 - 152. 10.1109/FPT.2008.4762377.

3. Huang Yong, Sun Silang, Chu Jing,. (2023). Energy- and time-optimal reconfiguration of spacecraft clusters with collision avoidance // Proceedings of the Institution of Mechanical Engineers, Part G: Journal of Aerospace Engineering. 10.1177/09544100231179829.

4. Шевченко С. В. Оптимизация распределенных вычислений в системах параллельной обработки данных // ИТНОУ: информационные технологии в науке, образовании и управлении. 2018. №3 (7). URL: https://cyberleninka.ru/article/n/optimizatsiyaraspredelennyh-vychisleniy-v-sistemah-parallelnoy-obrabotki-dannyh.

5. Ворожцов А. С., Тутова Н. В., Тутов А. В. Оптимизация размещения облачных серверов в центрах обработки данных // T-Comm. 2015. №6. URL: https://cyberleninka.ru/article/n/optimizatsiya-razmescheniya-oblachnyh-serverov-v-tsentrah-obrabotki-dannyh.

6. Jiang Junqiang, Cai Hailin, Xie Lunxin, Sun Zhifang, Pan Li, Yang Zhihe, Lu Ruiqi. (). A Time and Reliability Optimization Algorithm for Workflow Scheduling in Heterogeneous Distributed Computing System // Journal of Circuits, Systems and Computers. 2022. 31. 10.1142/S0218126622502528.

7. Kang Hongyue, Chang Xiaolin, Mišić Jelena, Misic Vojislav, Junchao Fan, Liu Yating. Cooperative UAV Resource Allocation and Task Offloading in Hierarchical Aerial Computing Systems: A MAPPO Based Approach // IEEE Internet of Things Journal. 2023. PP. 1-1. 10.1109/JIOT.2023.3240173. 8. Kang Hongyue, Chang Xiaolin, Mišić Jelena, Misic Vojislav, Junchao Fan, Liu Yating. Cooperative UAV Resource Allocation and Task Offloading in Hierarchical Aerial Computing Systems: A MAPPO Based Approach // IEEE Internet of Things Journal. 2023. PP. 1-1. 10.1109/JIOT.2023.3240173.

8. Geetmala Mrs, Badal Dr, Mishra Dr. A Clustered Approach for Load Balancing in Distributed Systems // Journal of University of Shanghai for Science and Technology. 2021. 23. 448-463. 10.51201/JUSST/21/05241.

9. Kumar Ravi, Rajagopalan S., Joseph P. Light Weight Native Edge Load Balancers for Edge Load Balancing // Green Intelligent Systems and Applications. 2023. 3. 48-55. 10.53623/gisa.v3i1.256.

10. Zhang Xiaohui, Nazari Hamed. An Efficient Resource Management Mechanism Based on Developed Political Optimizer in Fog Computing // Cybernetics and Systems. 2022. 1-15. 10.1080/01969722.2022.2145648.

11. Mahmoudi Zahra, Darbanian Elham, Nickray Mohsen. OPTIMAL ENERGY CONSUMPTION AND COST PERFORMANCE SOLUTION WITH DELAY CONSTRAINTS ON FOG COMPUTING // Jordanian Journal of Computers and Information Technology. 2023. 9. 1. 10.5455/jjcit.71-1667637331.

12. Duolikun Dilawaer, Nakamura Shigenari, Enokido Tomoya, Takizawa Makoto. (2022). Energy-Consumption Evaluation of the Tree-Based Fog Computing (TBFC) Model. 10.1007/978-3-031-20029-8_7.

13. Morkevicius Nerijus & Liutkevicius Agnius & Venčkauskas Algimantas. MultiObjective Path Optimization in Fog Architectures Using the Particle Swarm Optimization Approach // Sensors. 2023. 23. 3110. 10.3390/s23063110.

14. The Network Load Balancer in Decentrilized Systems // Advances in Cyber-Physical Systems. 2023. 8. 25-34. 10.23939/acps2023.01.025.

15. Xia Bin, Kong Fanyu, Zhou Jun, Tang Xiaosong, Gong Hong. A Delay-Tolerant Data Transmission Scheme for Internet of Vehicles Based on Software Defined Cloud-Fog Networks // IEEE Access. 2020. PP. 1-1. 10.1109/ACCESS.2020.2983440.

16. Барский А.Б. Параллельные информационные технологии. М.: ИнтернетУниверситет Информационных Технологий; БИНОМ. Лаборатория знаний, 2007.

17. Савин А. Н., Тимофеева Н. Е. Применение алгоритма оптимизации методом имитации отжига на системах параллельных и распределённых вычислений // Изв. Сарат. ун-та. Нов. cер. Сер. Математика. Механика. Информатика. 2012. №1. URL: https://cyberleninka.ru/article/n/primenenie-algoritma-optimizatsii-metodom-imitatsiiotzhiga-na-sistemah-parallelnyh-i-raspredelyonnyh-vychisleniy.

18. Ingber A, Ingber Lester (2002). Simulated annealing: Practice versus theory.

19. Kirkpatrick S., Gelatt Jr. C. D., and Vecchi M. P. Optimization by Simulated Annealing // Science. 220. 1983. P. 671-680.