МОДЕЛЬ ИНФОРМАЦИОННОГО ПРОЦЕССА РАСПРЕДЕЛЕНИЯ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ В ДИНАМИЧНЫХ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ СРЕДАХ
Аннотация
Рассмотрен вопрос моделирования информационного процесса распределения вычислительных ресурсов в геораспределенных гетерогенных динамичных вычислительных средах. Актуальность работы обусловлена тем, что к настоящему времени «облачные» системы обработки данных становятся недостаточными в силу необходимости обработки больших объемов данных в режиме реального времени. В связи с этим расширяется применение «туманных» и «краевых» вычислений, что подразумевает локализацию обработки данных с целью сокращения требующегося для этого времени, с одной стороны, а с другой – ограничения на вычислительные мощности устройств приводит к необходимости распределенного решения вычислительных задач в гетерогенной, динамичной и распределенной в географическом смысле среде. Это влечет необходимость разработки новых методов и алгоритмов распределения вычислительных ресурсов, поскольку ранее разработанные методы не учитывали свойств географической распределенности и динамики вычислительных сред. Также разработанные ранее модели распределения вычислительных ресурсов не учитывают перечисленные свойства, что ставит вопрос о необходимости разработки новой модели. Предложенная в данной работе модель информационного процесса распределения вычислительных ресурсов включает параметры ресурсной стоимости передаваемых по сети данных индивидуально для узлов-участников маршрута передачи данных, а также процесса распределения вычислительных ресурсов, чем и отличается от аналогов. Проведенные экспериментальные исследования подтверждают целесообразность использования предлагаемой модели при распределении вычислительных ресурсов в георапределенных гетерогенных динамичных вычислительных средах. Практическая значимость заключается в снижении ресурсоемкости процесса распределения вычислительных ресурсов и процесса решения вычислительной задачи
Список литературы
1. Konvey R.V., Maksvell V.L., Miller L.V. Teoriya raspisaniy [Theory of scheduling]: transl. from engl. byV.A. Kokotushkina, D.G. Mikhaleva, ed. by G.P. Basharina. Moscow: Nauka, 1975. 359 p.
2. Tanaev V.S., Gordon V.S., SHafranskiy Ya.M. Teoriya raspisaniy. Odnostadiynye sistemy [Scheduling theory. Single stage systems]. Moscow: Nauka, 1984.
3. Lastra-Díaz, Juan & Ortuño, M. Teresa. Mixed-integer programming models for irregular strip packing based on vertical slices and feasibility cuts, European Journal of Operational Research, 2023. 313. 10.1016/j.ejor.2023.08.009.
4. Coffman Jr., Edward G., Garey M.R.; Johnson David S., Tarjan Robert Endre. Performance Bounds for Level-Oriented Two-Dimensional Packing Algorithms, SIAM J. Comput, 1980, 9 (4), pp. 808-826. DOI: 10.1137/0209062.
5. Barskiy A.B. Parallel'nye protsessy v vychislitel'nykh sistemakh. Planirovanie i organizatsiya [Parallel processes in computing systems. Planning and organization]. Moscow: Radio i svyaz', 1990.
6. Toporkov V.V. Modeli raspredelennykh vychisleniy [Distributed computing models]. Moscow: Fizmat-lit, 2004, 315 p. ISBN 5-9221-0495-0.
7. Yang H. et al. An improved spherical evolution with enhanced exploration capabilities to address wind farm layout optimization problem, Eng. Appl. Artif. Intell., 2023. 123, 106198, 106198. Available at: https://doi.org/10.1016/j.engappai.2023.106198.
8. Aksoy İ.C., & Mutlu M.M. Comparing the performance of metaheuristics on the Transit Network Fre-quency Setting Problem, Journal of Intelligent Transportation Systems, 2024, pp. 1-20. Available at: https://doi.org/10.1080/15472450.2024.2392722.
9. Naka E., Zeqo E., & Kaziu A. Performance Analysis of Metaheuristic Algorithms on Benchmark Func-tions, Interdisciplinary Journal of Research and Development, 2024, 11 (2), 10. Available at: https://doi.org/10.56345/ijrdv11n202.
10. Tshewang Phuntsho, Tad Gonsalves. Metaheuristics Portfolio Optimization for Resource-Constrained Project Scheduling Problems with Milestones Payments, 14 July 2024, PREPRINT (Version 1) availa-ble at Research Square. Available at: https://doi.org/10.21203/rs.3.rs-4725224/v1.
11. Cuevas E., Rosas Caro J.C., Alejo Reyes A., González Ayala P., Rodriguez A. The Simulated Annealing Method, In: Optimization in Industrial Engineering. Synthesis Lectures on Engineering, Science, and Technology. Springer, Cham, 2025. Available at: https://doi.org/10.1007/978-3-031-74027-5_8.
12. Di Chen. Application of Improved Genetic Algorithms in Path Planning, Journal of Internet Technolo-gy. Dec. 2024, Vol. 25, No. 7, pp. 1091-1099.
13. Kaid H., Al-Ahmari A., Al-Shayea A., Abouel Nasr E., Kamrani A.K., Mahmoud H.A. Metaheuristics for optimizing unrelated parallel machines scheduling with unreliable resources to minimize makespan, Ad-vances in Mechanical Engineering, 2022, 14 (5). DOI: 10.1177/16878132221097023.
14. Wang Q., Chen S. Latency-minimum offloading decision and resource allocation for fog-enabled Internet of Things networks, Trans. Emerg. Telecommun. Technol, 2020, 31, e3880.
15. Kopras B., Idzikowski F., Chen W.C., Wang T.J., Chou C.T., Bogucka H. Latency-Aware Virtual Net-work Embedding using Clusters for Green Fog Computing, In Proceedings of the 2020 IEEE Globecom Workshops, Taipei, Taiwan, 7–11 December 2020.
16. Khumalo N., Oyerinde O., Mfupe L. Reinforcement Learning-based Computation Resource Allocation Scheme for 5G Fog-Radio Access Network, In Proceedings of the 2020 Fifth International Conference on Fog and Mobile Edge Computing (FMEC), Paris, France, 20–23 April 2020, pp. 353-355.
17. Salehnia T. et al. SDN-based optimal task scheduling method in Fog-IoT network using combination of AO and WOA, Handbook of Whale Optimization Algorithm. Elsevier, 2024, pp. 109-128.
18. Salimi R., Azizi S., Abawajy J. A greedy randomized adaptive search procedure for scheduling IoT tasks in virtualized fog–cloud computing, Trans. Emerg. Telecommun. Technol., 2024, Vol. 35, No. 5.
19. Vakilian S., Fanian A. Enhancing Users’ Quality of Experienced with Minimum Energy Consumption by Fog Nodes Cooperation in Internet of Things, In Proceedings of the 2020 28th Iranian Conference on Electrical Engineering (ICEE), Tabriz, Iran, 4–6 August 2020.
20. Vakilian S., Moravvej S.V., Fanian A. Using the Artificial Bee Colony (ABC) Algorithm in Collabora-tion with the Fog Nodes in the Internet of Things Three-layer Architecture, In Proceedings of the 2021 29th Iranian Conference on Electrical Engineering (ICEE), Tehran, Iran, 18–20 May 2021, pp. 509-513.
