Формирование комплектов эффективных алгоритмов распределения вычислительных ресурсов в гетерогенных динамичных вычислительных средах на основе онтологии

Цель исследования. Цель данного исследования – разработка структуры онтологии как основы базы данных/базы знаний для выбора эффективных метаэвристических алгоритмов решения задачи распределения нагрузки в гетерогенных распределенных динамичных вычислительных средах с учетом накладных расходов на передачу данных по сети.  

Методы. Основными научными методами, применяемыми в рамках данного исследования, являются анализ предметной области, методы построения предметных онтологий, численные методы оптимизации и компьютерное моделирование. Поскольку в литературе не представлены модели планирования выделения ресурсов, которые бы учитывали географическую распределенность, наличие промежуточных маршрутов передачи данных, динамику топологий и нагрузки, а также гетерогенность системы в аспекте критериев оценивания качества распределения нагрузки, в данной статье предложена новая модель, учитывающая перечисленные особенности. Трудоемкость решения задачи планирования становится одним из варьируемых параметров, который при этом оказывает значительное влияние на результат планирования: с уменьшением трудоемкости вычислений, соответственно ухудшается результат. Поэтому в качестве метода решения предлагается жадная стратегия: из подлежащих рассмотрению методов оптимизации выбрать такой наименее трудоемкий, который бы позволял получить наилучший результат за выделенное время. Тестовые запуски алгоритмов имитации отжига демонстрируют различную эффективность на различных исходных условиях задачи, следовательно, целесообразно для выделенных классов задач выбрать эффективные в смысле качества решения и трудоемкости алгоритмы. 

Результаты. Результатом исследования является структура онтологии эффективных алгоритмов. Также результатами являются вошедшие в состав онтологии экземпляры алгоритмов имитации отжига и задач, связанные отношением «эффективности».

Заключение. В данной статье предложены структура онтологии эффективных алгоритмов оптимизации и подход к решению задачи распределения вычислительной нагрузки с учетом трудоемкости процедуры распределения посредством «жадного» выбора наиболее эффективных алгоритмов оптимизации. 

1. Shams A., Shanjana S., Shaila A., Sabiha R., Mahfara H., Gandomi A. The Power of Internet of Things (IoT): Connecting the Dots with Cloud, Edge, and Fog Computing; 2023;70 p. https://doi.org/10.48550/arXiv.2309.03420

2. Hierarchical fuzzy‐based Quality of Experience (QoE)‐aware application placement in fog nodes // M. Sreenivasu, S. Satish, W. Rajeev, C. Raghavendra // Software: Practice and Experience. 2023;53(2):263-282. https://doi.org/10.1002/spe.3147

3. Dynamic Offloading in Flying Fog Computing: Optimizing IoT Network Performance with Mobile Drones / M. Wei, A. Khakimov, A. Ateya, M. Elaffendi, A. Muthanna, A. Abd El-Latif, M. Muthanna // Drones. 2023;7(10):622. https://doi.org/10.3390/drones7100622

4. Bhalekar P., Ingle S. A Comparative Study of Cluster, Grid and Cloud Computing // International Journal of New Innovations in Engineering and Technology, 2018;9(1):8-14. URL: https://www.ijniet.org/wp-content/uploads/2018/11/2.pdf.

5. Топорков В.В. Модели распределенных вычислений. М.: Физматлит, 2011. 320 с. URL: https://biblioclub.ru/index.php?page=book&id=75957.

6. Барский А.Б. Параллельные информационные технологии. М.: ИНТУИТ; БИНОМ. Лаборатория знаний, 2007. 503 с.

7. Методы и эвристики планирования в распределенных вычислениях с неотчуждаемыми ресурсами / В.В. Топорков, А.В. Бобченков, Д.М. Емельянов, А.С. Целищев // Вестник ЮУрГУ. Серия: Вычислительная математика и информатика; 2014;3(2);43-62. URL: https://www.mathnet.ru/rus/vyurv37.

8. Метод повышения надежности за счет реконфигурации ресурсов в системах мониторинга и диагностики опасных природных явлений / Э.В. Мельник, М.В. Орда-Жигулина, Д.В. Орда-Жигулина, А.А. Родина // Известия ТулГУ. Серия: Технические науки; 2020;2:18-26. URL: https://cyberleninka.ru/article/n/metod-povysheniya-nadezhnosti-za-schetrekonfiguratsii-resursov-v-sistemah-monitoringa-i-diagnostiki-opasnyh-prirodnyh-yavleniy.

9. Топорков В.В., Емельянов Д.М., Топоркова А.С. Анализ состояния исследований в области методов и алгоритмов планирования в грид и облачных вычислениях // ИТНОУ: информационные технологии в науке, образовании и управлении; 2018;2(6):26-31. URL: https://cyberleninka.ru/article/n/analiz-sostoyaniya-issledovaniy-voblasti-metodov-i-algoritmov-planirovaniya-v-grid-i-oblachnyh-vychisleniyah.

10. Sukhoroslov O. Scheduling of Workflows with Task Resource Requirements in Cluster Environments. In: Malyshkin V. (eds) Parallel Computing Technologies. PaCT 2023: Lecture Notes in Computer Science; 2023;14098:177-196. Springer, Cham. https://doi.org/10.1007/978-3-031-41673-6_14

11. Singh R.M., Awasthi L.K., Sikka G. Techniques for Task Scheduling in Cloud and Fog Environment: A Survey. In: Singh P., Sood S., Kumar Y., Paprzycki M., Pljonkin A., Hong WC. (eds) Futuristic Trends in Networks and Computing Technologies. FTNCT 2019. Communications in Computer and Information Science; 2020;1206:673-685. Springer, Singapore. https://doi.org/10.1007/978-981-15-4451-4_53

12. Nguyen B.M., Thi Thanh Binh H., Do Son B. Evolutionary algorithms to optimize task scheduling problem for the IoT based bag-of-tasks application in cloud–fog computing environment. Applied Science; 2019;9(9):1730. https://doi.org/10.3390/app9091730

13. Natesan G., Chokkalingam A. Task scheduling in heterogeneous cloud environment using mean grey wolf optimization algorithm. ICT Express; 2019;5(2):110–114. https://doi.org/10.1016/j.icte.2018.07.002

14. Narendrababu R.G., Phani K. S.: Modified ant colony optimization algorithm for task scheduling in cloud computing systems. In: Satapathy S.C., Bhateja V., Das S. (eds.) // Smart Intelligent Computing and Applications. SIST. Proceedings of the Second International Conference on SCI 2018; 2019;104:357–365. Springer, Singapore. https:// doi.org/10.1007/978-981-13-1921-1_36

15. Bitam S., Zeadally S., Mellouk A. Fog computing job scheduling optimization based on bees swarm // Enterpise Information Systems; 2018;12(4);373–397. https://doi.org/10.1080/17517575.2017.1304579

16. Heuristic minconflicts optimizing technique for load balancing on fog computing. In: Xhafa F., Barolli L., Greguš M. (eds.) / M.B. Kamal, N. Javaid, S.A.A. Naqvi, H. Butt, T. Saif, M.D. Kamal // The 10th International Conference on Intelligent Networking and Collaborative Systems (INCoS-2018); 2019;23: 207–219. Springer, Cham. https://doi.org/10.1007/978-3-319-98557-2_19

17. Никишин К. И. Балансировка нагрузки данных в распределенной сети через прокси-сервер Nginx // Известия Юго-Западного государственного университета. 2022; 26(3): 98-111. https://doi.org/10.21869/2223-1560-2022-26-3-98-111.

18. Борзов Д.Б., Титов В.С., Басов Р.Г. Алгоритм и устройство планирования расписания загрузки процессоров в мультипроцессорных системах // Известия ЮгоЗападного государственного университета. 2019; 23(5): 161-174. https://doi.org/10.21869/2223-1560-2019-23-5-161-174

19. Борзов Д.Б., Масюков И.И. Планирование загрузки процессоров в мультипроцессорных системах критического назначения // Известия Юго-Западного государственного университета. 2018. Т. 22, № 6(81). С. 168-174.

20. Назаров С.В. Оптимизация вычислительного процесса бортовых вычислительных систем // Известия Юго-Западного государственного университета. 2018. Т. 22, № 2(77). С. 6-17.