|
Аннотация.
Задача, решаемая в настоящей статье – разработка нового метода распределения ресурсов. Предлагаемый метод основан на распределении ресурсов с учетом статистики выполнения аналогичных по параметрам задач. Объект исследования – вычислительные системы с узлами различной производительности, обрабатывающими наборы задач переменной сложности. Предмет исследования – модели и алгоритмы реализации предложенного предсказательного метода распределения ресурсов. Цель работы – повышение эффективности функционирования вычислительных систем. Выполнен обзор и анализ известных методов распределения ресурсов, их достоинств и недостатков. Предложен метод распределения ресурсов вычислительной системы, имеющий предсказательную компоненту. Разработаны аналитическая и имитационная модели, позволяющие учитывать расчетные и статистические показатели работы узлов. Результаты исследования могут быть использованы для построения адаптивных систем распределения задач в современных вычислительных системах.
Ключевые слова:
вычислительная система, методы распределение ресурсов, моделирование, прогнозирование нагрузки, статистические данные.
DOI 10.14357/20718632260112
EDN TTXDFB
Стр. 133-144.
Литература
1. J. Hoozemans, J. Peltenburg, F. Nonnemacher, A. Hadnagy, Z. Al-Ars, H. P. Hofstee. FPGA Acceleration for Big Data Analytics: Challenges and Opportunities // IEEE Circuits and Systems Magazine. 2021. Vol. 21. № 2. P. 30-47. https://doi.org/10.1109/MCAS.2021.3071608 (дата обращения: 01.06.2025). 2. Huang, Z., Kuang, Z., Xu, B. et al. Dependency-aware task collaborative offloading and resource allocation in UAV enabled edge computing // Peer-to-Peer Networking and Applications. 2025. Vol. 18. № 118. P. 19. https://doi.org/10.1007/s12083-025-01903-2 (дата обращения: 01.06.2025). 3. Соколов А. М., Ларионов А. А., Вишневский В. М., Мухтаров А. А. Архитектура распределенной системы для потоковых вычислений с контейнеризацией и приоритизацией задач // Информационные технологии и вычислительные системы. 2023. № 4. С. 5-18. https://doi.org/10.14357/20718632230401 (дата обращения: 01.06.2025). 4. Трушкин Е. С., Гаврилов А. В., Фрейман В. И. Математическое и имитационное моделирование для оценки производительности коммуникационных устройств вычислительных, информационно-управляющих и телекоммуникационных систем // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2025. № 53. С. 129-156. DOI 10.15593/2224-9397/2025.1.07. 5. Saidi, K., Bardou, D. Task scheduling and VM placement to resource allocation in Cloud computing: challenges and opportunities // Cluster Computing. 2023. Vol. 26. P. 3069-3087. https://doi.org/10.1007/s10586-023-04098-4 (дата обращения: 01.06.2025). 6. Kleiman L.A., Freyman V.I. The method of dynamic distribution of the diagnostic load between information and control systems elements // Proceedings of the 2021 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering. 2021. 26-29 Jan. 2021. St. Petersburg, Moscow, Russia. P. 952-955. https://doi.org/10.1109/ElConRus51938.2021.9396552 (дата обращения: 03.06.2025). 7. Баранова Т.П., Бугеря А.Б., Ефимкин К.Н. Метод балансировки вычислительной нагрузки для гибридных вычислительных систем // Электронные библиотеки. 2021. Т. 24. Вып. 1. С. 42-56. https://doi.org/10.26907/1562-5419-2021-24-1-42-56 (дата обращения: 03.06.2025). 8. Li, J. Distributed data processing and task scheduling based on GPU parallel computing // Neural Comput & Applic. 2025. Vol. 37. P. 1757-1769. https://doi.org/10.1007/s00521-024-10489-4 (дата обращения: 03.06.2025). 9. Таненбаум Э., Стин М. Распределенные системы: принципы и парадигмы. М.: ДМК Пресс, 2021. 586 с. 10. Ляшов Е.И. Ресурсоэффективные алгоритмы балансировки нагрузки в распределенных микросервисных архитектурах // Вестник науки. 2025. Том 1. № 2(83). С. 629-647. https://doi.org/10.24412/2712-8849-2025-283-629-647 (дата обращения: 03.06.2025). 11. Cao, X., Chen, C., Li, S. et al. Research on computing task scheduling method for distributed heterogeneous parallel systems // Scientific Reports. 2025. Vol. 15. № 8937. https://doi.org/10.1038/s41598-025-94068-0 (дата обращения: 03.06.2025). 12. Hwang K., Dongarra J. Distributed and Cloud Computing: From Parallel Processing to the Internet of Things. – Elsevier, 2012. P. 623. 13. Бо Тянь, М. А. Посыпкин, И. Х. Сигал, Балансировка нагрузки на основе оценок алгоритмической сложности подзадач // Информационные технологии и вычислительные системы. 2015. Вып. 1. С. 10-18. http://www.jitcs.ru/index.php?option=com_content&view=article&id=477 (дата обращения: 04.06.2025). 14. Kousik D., Brototi M., Paramartha D., Jyotsna K. M., Santanu D. A Genetic Algorithm (GA) based Load Balancing Strategy for Cloud Computing // Procedia Technology. 2013. Vol. 10. P. 340-347. https://doi.org/10.1016/j.protcy.2013.12.369 (дата обращения: 04.06.2025). 15. Moly M.I. Load Balancing Approach and Algorithm in Cloud Computing Environment // American Journal of Engineering Research. 2019. Vol. 8. Iss. 4. P. 99-105. https://www.ajer.org/papers/Vol-8-issue-4/L080499105.pdf (дата обращения: 04.06.2025). 16. Wijaya, C., Wiryasaputra, R., Huang, CY., Tanato, J., Yang, CT. Load Balancing Algorithm in a Software-Defined Network Environment with Round Robin and Least Connections. // Smart Grid and Internet of Things. 2023. Vol. 557. P. 148-157. Taiwan, Nov. 18-19. https://doi.org/10.1007/978-3-031-55976-1_15 (дата обращения: 04.06.2025). 17. Hulin Jin, Yong‑Guk Kim, Zhiran Jin, Chunyang Fan, Yonglong Xu. Joint Task Ofoading Based on Distributed Deep Reinforcement Learning‑Based Genetic Optimization Algorithm for Internet of Vehicles // Journal of Grid Computing. 2024. Vol. 22. Iss. 34. https://doi.org/10.1007/s10723-024-09741-x (дата обращения: 07.06.2025). 18. Arun K., Nishant G., Aziz N. Bi-LSTM Based Deep Learning Algorithm for NOMA-MIMO Signal Detection System // National Academy Science Letters. 2025. Vol. 48. P. 541-544. https://doi.org/10.1007/s40009-024-01516-y (дата обращения: 07.06.2025). 19. Yuqing Cheng, Zhiying Cao, Xiuguo Zhang, Qilei Cao, Dezhen Zhang. Multi objective dynamic task scheduling optimization algorithm based on deep reinforcement learning // The Journal of Supercomputing. 2023. Vol. 80. P. 6917-6945. https://doi.org/10.1007/s11227-023-05714-1 (дата обращения: 07.06.2025)
|
