Методика выбора способа управления распределенными информационными системами в условиях высокой динамики сетевой инфраструктуры

Цель исследования. Целью данного исследования является подбор метода управления распределенной системой, который бы, на основании известных параметров, позволил уменьшить расход ресурсов вычислительных устройств. Под ресурсом информационной системы понимается вероятность безотказной работы (ВБР), которая снижается с течением времени для каждого узла, тем быстрее, чем выше его загруженность.
Методы. Учитывая, что при высокой динамике краевого слоя сети частота реконфигураций системы становится относительно высокой, а необходимость реконфигураций непредсказуема, снижение общего времени, затрачиваемого на реконфигурации, позволяет увеличить время, затрачиваемое на решение функциональных вычислительных задач системы, и тем самым снизить загруженность узлов. Время реконфигурации может быть уменьшено как за счет уменьшения времени детекции отказа в распределенной системе, так и за счет уменьшения времени поиска новой конфигурации. В данной работе рассмотрен способ снижения времени детекции отказов. Анализ применимости методов управления системой (централизованный, с распределенным лидером, децентрализованный) производится на основе полученных аналитических оценок времени детекции системой отказа в условиях управления посредством того или иного метода. Численный эксперимент позволяет выделить области параметров систем, где предпочтительно использование метода с распределенным лидером.
Результаты. Основным результатом данной работы является методика выбора способа управления распределенными информационными системами в условиях высокой динамики сетевой инфраструктуры, ориентированная на уменьшение расхода ресурсов вычислительных устройств.
Заключение. Время реконфигурации системы может быть сокращено за счет выбора наиболее подходящего метода управления. Таким образом увеличивается время, отводимое на решение функциональных задач приложения, снижается загруженность вычислительных узлов и, следовательно, повышаются значения ВБР на протяжении горизонта планирования.

1. Container Migration in the Fog / Puliafito Carlo, Vallati Carlo, Mingozzi Enzo, Merlino Giovanni, Longo Francesco, Puliafito Antonio // A Performance Evaluation. Sensors. 2019. 19. 1488. 10.3390/s19071488.

2. . 2017. Mobile Edge Computing Potential in Making Cities Smarter / Taleb Tarik, Dutta Sunny, Ksentini Adlen, Iqbal Muddesar, Flinck Hannu / IEEE Communications Magazine. 55. 38-43. https://doi.org/10.1109/MCOM.2017.1600249CM.

3. Rejiba Zeineb, Masip Xavi, Marin-Tordera E. A Survey on Mobility-Induced Service Migration in the Fog, Edge, and Related Computing Paradigms. ACM Computing Surveys. 2019. 52. 1-33. https://doi.org/10.1145/3326540.

4. Wang Y., Gu Yu, Tao Xiaofeng. Edge Network Slicing With Statistical QoS Provisioning. IEEE Wireless Communications Letters. 2019. P. 1-1. https://doi.org/10.1109/LWC.2019.2922605.

5. Saggu Deepak, Azim Akramul. 2021. Transfer Learning on the Edge Networks. 1-8. https://doi.org/10.1109/SysCon48628.2021.9447110.

6. Wang Y. & Gu Yu, Tao Xiaofeng. Edge Network Slicing With Statistical QoS Provisioning. IEEE Wireless Communications Letters. 2019. P. 1-1. https://doi.org/10.1109/LWC.2019.2922605.

7. Niu Guanchong, Cao Qi, Pun Man-on. QoS-Aware Resource Allocation for Mobile Edge Networks: User Association, Precoding and Power Allocation. IEEE Transactions on Vehicular Technology. 2021. P. 1-1. 10.1109/TVT.2021.3076353.

8. Completion Time Minimization for UAV-Assisted Mobile-Edge Computing Systems / Xu Yu, Zhang Tiankui, Loo Jonathan, Yang Dingcheng, Xiao Lin // IEEE Transactions on Vehicular Technology. 2021. P. 1-1. https://doi.org/10.1109/TVT.2021.3112853.

9. Collaborative Cloud and Edge Computing for Latency Minimization / Ren Jinke, Yu Guanding, He Yinghui, Li Geoffrey / IEEE Transactions on Vehicular Technology. 2019. P. 1-1. https://doi.org/10.1109/TVT.2019.2904244.

10. Partial Offloading for Latency Minimization in Mobile-Edge Computing / Ren Jinke, Yu Guanding, Cai Yunlong, He Yinghui, Qu Fengzhong // 2017. 1-6. https://doi.org/10.1109/GLOCOM.2017.8254550.

11. Klimenko Anna, Kalyaev Igor. 2021. A Technique to Provide an Efficient System Recovery in the Fog- and Edge-Environments of Robotic Systems. https://doi.org/10.1007/978-3-030-87725-5_9.

12. Korovin I., Melnik E., Klimenko A. A Recovery Method for the Robotic Decentralized Control System with Performance Redundancy. In: Ronzhin A., Rigoll G., Meshcheryakov R. (eds) Interactive Collaborative Robotics. ICR 2016. Lecture Notes in Computer Science, vol 9812. Springer, Cham. https://doi.org/10.1007/978-3-319-43955-6_2

13. Gardner Raymond. 2020. Centralized control systems, DCS, and SCADA. https://doi.org/10.1201/9781003091134-17.

14. Liskov Barbara, Cowling James. 2012. Viewstamped Replication Revisited.

15. Petrescu M., Petrescu R.. 2020. Log Replication in Raft vs Kafka. Studia Universitatis Babeș-Bolyai Informatica. 65. 66. https://doi.org/10.24193/subbi.2020.2.05.

16. Oki B. Viewstamped replication for highly available distributed systems. 2021.

17. Howard Heidi, Charapko Aleksey, Mortier Richard. 2021. Fast Flexible Paxos: Relaxing Quorum Intersection for Fast Paxos. P.186-190. https://doi.org/10.1145/3427796.3427815.

18. Müller Jörg. 2021. Decentralized Information Systems: Paradigms, Architectures, and Applications.

19. Castro Oom, Correia Miguel. 2001. Practical Byzantine fault tolerance.

20. König Hans-Jürgen. 1994. Competitive Advantages through Flexible Design of Decentralized Information Systems. https://doi.org/10.1007/978-3-642-46955-8_72.