БИОИНСПИРИРОВАННЫЙ МЕТОД ИМИТАЦИОННОГО МОДЕЛИРОВАНИЯ ДЛЯ ДИСПЕТЧЕРИЗАЦИИ ПОТОКОВ ПАРАЛЛЕЛЬНЫХ ЗАЯВОК В GRID- СИСТЕМАХ

  • Д. Ю. Кравченко Южный федеральный университет
  • Ю. А. Кравченко Южный федеральный университет
  • В. В. Курейчик Южный федеральный университет
  • А.Э. Саак Южный федеральный университет
Ключевые слова: Диспетчеризация, параллельные вычисления, grid- системы, потоки заявок, биоинспирированный поиск, имитационное моделирование, интеллектуальные агенты

Аннотация

Статья посвящена решению задачи диспетчеризации потоков параллельных заявок в
пространственно-распределённых вычислительных системах. Актуальность задачи обос-
нована значительным ростом востребованности парадигмы распределенных вычислений в
условиях информационного переполнения и неопределенности. В статье рассмотрены про-
блемы диспетчирования заявок пользователей, требующих для своего обслуживания не-
сколько процессоров одновременно, что выходит за рамки классической теории расписа-
ний. Проанализированы аспекты эффективности применения эвристических алгоритмов
диспетчирования планарными ресурсами. Определены причины их недостаточности как по
результативности, так и по эмпиричности подходов. Предложено решать задачу диспет-
черизации параллельных заявок на основе комплексного применения коалиции интеллекту-
альных агентов и событийной имитационной модели. Классификацию поступающих на
вход заявок предлагается проводить на основе применения модифицированного биоинспи-
рированного метода оптимизации поиском кукушки. Совместное использование коалиции
интеллектуальных агентов и биоинспирированного метода позволит обеспечить беспреце-
дентный параллелизм вычислений, а последующее определение путей обработки классифи-
цированных заявок на основе имитационной модели сформирует наборы альтернативных
решений, позволяющих ускорить решение задач и оптимизировать распределение имею-
щихся вычислительных ресурсов в зависимости от наборов поступающих заявок. Для оцен-
ки эффективности предложенного подхода разработан программный продукт и проведе-
ны эксперименты с разным количеством поступающих на вход заявок. Каждая поступаю-
щая на вход заявка имеет определенный набор атрибутов, являющийся вектором призна-
ков заявки. Степень сходства вектора признаков заявки и эталонного вектора признаков
вершины в распределяющей имитационной модели является критерием классификации
заявки. Для повышения качества процесса диспетчеризации введены новые процедуры дуб-
лирования неклассифицированных заявок, позволяющие интенсифицировать поиск совпаде-
ний в векторах признаков. Также предусмотрены резервные траектории диспетчеризации
необходимые для обработки прецедентов появления на входах заявок с абсолютным при-
оритетом. Полученные количественные оценки демонстрируют экономию времени при
решении задач относительно большой размерности (от 500000 вершин) не менее 10 %.
Временная сложность в рассмотренных примерах составила . Описанные исследова-
ния имеют высокий уровень теоретической и практической значимости и напрямую связа-
ны с решением классических задач искусственного интеллекта, направленных на поиск
скрытых зависимостей и закономерностей на множестве больших данных.

Литература

1. Magoulès F., Nguyen T., Yu L. Grid resource management: toward virtual and services compliant
grid computing, Numerical analysis and scientific computing. CRC Press, UK, 2009.
2. Magoulès F. (ed.). Fundamentals of grid computing: theory, algorithms and technologies, Numerical
analysis and scientific computing. CRC Press, UK, 2010.
3. Patel S. Survey Report of Job Scheduler on Grids, International Journal of Emerging Research
in Management &Technology, 2013, No. 2 (4), pp. 115-125.
4. Li M., Baker M. The grid: core technologies. John Wiley & Sons Ltd, England, 2005, 452 p.
5. Saak A.E., Kureichik V.V., Kravchenko Y.A. Scheduling quality of precise form sets which
consist of tasks of circular type in GRID systems, Journal of Physics: Conference Series,
2018, 1015 (4).
6. Saak A.E., Kureichik V.V., Lezhebokov A.A. Scheduling of parabolic-type tasks arrays in GRID
systems, Advances in Intelligent Systems and Computing, 2017, pp. 292-298.
7. Saak A., Kureichik V., Kravchenko Y. To scheduling quality of sets of precise form which consist
of tasks of circular and hyperbolic type in grid systems, Advances in Intelligent Systems
and Computing, 2016, pp. 157-166.
8. Saak A.E., Kureichik V.V., Kuliev E.V. Ring algorithms for scheduling in grid systems, Advances
in Intelligent Systems and Computing, 2015, pp. 201-209.
9. Kravchenko Y.A., Kravchenko D.Y., Kursitys I.O. Architecture and method of integrating information
and knowledge on the basis of the ontological structure, Advances in Intelligent Systems
and Computing. 1st International Conference of Artificial Intelligence, Medical Engineering,
and Education, AIMEE 2017. Moscow: 2018, Vol. 658, pp. 93-103.
10. Kravchenko Y.A., Kureichik V.V. Knowledge management based on multi-agent simulation in
informational systems, Conference proceedings. 8th IEEE International Conference “Application
of Information and Communication Technologies – AICT 2014”. – 15-17 October 2014,
Astana, Kazakhstan, pp. 264-267.
11. Payne R.B., Sorenson M.D., and Klitz K. The Cuckoos, Oxford University Press, 2005.
12. Shukran M.A.M., Chung Y.Y., Yeh W.C., Wahid N., and Zaidi A.M.A. Artificial Bee Colony based
Data Mining Algorithms for Classification Tasks // Mod. Appl. Sci., 2011, Vol. 5, pp. 217-231.
13. Martens D., De Backer M., Haesen R., Vanthienen J., Snoeck M. and Baesens B. Classification
With Ant Colony Optimization // IEEE Transactions on Evolutionary Computation, 2007,
Vol. 11, No. 5, pp. 651-665.
14. Falco I.D., Cioppa A.D., and Tarantino E. Evaluation of particle swarm optimization effectiveness
in classification // LNAI3849, 2006, pp. 164-171.
15. Soliman O.S. and Adly A. Bio-inspired algorithm for classification association rules, 8th International
Conference on Informatics and Systems (INFOS), Cairo, 2012, pp. 154-160.
16. Bova V., Zaporozhets D., and Kureichik V. Integration and processing of problem-oriented
knowledge based on evolutionary procedures, Advances in Intelligent Systems and Computing,
2016, Vol. 450, pp. 239-249.
17. Semenova A.V. and Kureichik V.M. Ensemble of classifiers for ontology enrichment, Journal
of Physics: Conference Series, 2018, Vol. 1015, Issue 3, article id. 032123.
18. Kureychik V.M. Overview and problem state of ontology models development, 9th International
Conference on Application of Information and Communication Technologies, AICT
2015 - Proceedings 9, 2015, pp. 558-564.
19. Semenova A.V. and Kureychik V.M. Application of swarm intelligence for domain ontology
alignment, Proceedings of the First International Scientific Conference “Intelligent Information
Technologies for Industry” (IITI’16), 2016, Vol. 1, pp. 261-270.
20. Bova V., Kureichik V. and Zaruba D. Heuristic approach to model of corporate knowledge
construction in information and analytical systems, 2016 IEEE 10th International Conference
on Application of Information and Communication Technologies (AICT), Baku, 2016, pp. 1-5.
21. Kureichik V., Zaporozhets D., and Zaruba D. Generation of bioinspired search procedures for
optimization problems, Application of Information and Communication Technologies, AICT
2016 - Conference Proceedings, 2016, Vol. 10.
22. Kar A.K. Bio inspired computing - A review of algorithms and scope of applications, Expert
Systems with Applications, 2016, Vol. 59, pp. 20-32.
23. Zaporozhets D., Zaruba D., and Kulieva N. Parallel approach for bioinspired algorithms, Journal
of Physics: Conference Series Ser. “International Conference Information Technologies in
Business and Industry 2018 - Enterprise Information Systems”, 2018.
24. Bova V.V., Nuzhnov E.V., Kureichik V.V. The combined method of semantic similarity estimation
of problem oriented knowledge on the basis of evolutionary procedures, Advances in Intelligent
Systems and Computing, 2017, Vol. 573, pp. 74-83.
Опубликован
2020-07-20
Выпуск
Раздел
РАЗДЕЛ I. ИНТЕЛЛЕКТУАЛЬНЫЕ СИСТЕМЫ