БИОИНСПИРИРОВАННЫЙ МЕТОД КЛАССИФИКАЦИИ РАСПРЕДЕЛЕННЫХ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ ДЛЯ ДИСПЕТЧИРОВАНИЯ В ГРИД-СИСТЕМАХ
Аннотация
Статья посвящена решению задачи диспетчирования распределенных вычислитель-
ных ресурсов на основе их классификации методом биоинспирированного поиска для повы-
шения эффективности функционирования грид-систем. Актуальность задачи обоснована
значительным ростом востребованности парадигмы распределенных вычислений в услови-
ях информационного переполнения и неопределенности. В статье рассмотрены проблемы
диспетчирования гетерогенных вычислительных ресурсов при решении сложных профес-
сиональных и научных задач, поступающих в различные моменты времени, на основе клас-
сификации по значимым признакам соответствия и готовности ресурса. Проведен срав-
нительный обзор существующих аналогов. Сформулирована постановка решаемой задачи вконтексте выбранной тематики исследования. Обоснована стратегия выбора биоинспи-
рированного моделирования для решения поставленной задачи. Проанализированы аспекты
эффективности применения различных децентрализованных биоинспирированных мето-
дов. Предложено решать задачу диспетчирования вычислительных ресурсов на основе
определения соответствия ресурса необходимому классу. Классификация проводиться на
основе применения биоинспирированного метода оптимизации, построенного на основе
алгоритма поиска косяком рыб. Использование популяционного биоинспирированного ме-
тода позволяет обеспечить беспрецедентный параллелизм получения альтернативных
решений и оптимизировать распределение имеющихся вычислительных ресурсов в зависи-
мости от наборов значимых признаков. Объектом исследования являются процессы клас-
сификации данных, включающие в себя упорядоченные последовательности действий, на-
правленных на распределение вычислительных ресурсов по классам решаемых задач. Предме-
том исследования являются биоинспирированные методы решения задачи классификации
данных в грид-системах. Для оценки эффективности предложенного метода разработано
программное приложение и проведен вычислительный эксперимент с разным количеством
сформированных классов вычислительных ресурсов. Каждый вычислительный ресурс имеет
определенный набор атрибутов, являющийся вектором его признаков. Косинусная мера сход-
ства вектора признаков ресурса и вектора признаков определенного класса является крите-
рием классификации. Для повышения качества процесса диспетчирования задача классифи-
кации вычислительных ресурсов решена для множества вариантов организации потоков
сложных решаемых задач в грид-системах. Полученные количественные оценки демонстри-
руют экономию времени при решении задач диспетчирования распределенных вычислитель-
ных ресурсов на основе их классификации методом биоинспирированного поиска не менее
7 %. Временная сложность в рассмотренных примерах составила . Описанные ис-
следования имеют высокий уровень теоретической и практической значимости и напря-
мую связаны с решением классических задач искусственного интеллекта.
Литература
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.
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. Monteiro R.P., Verçosa L.F.V., Bastos-Filho C.J. A. Improving the Performance of the Fish
School Search Algorithm, International Journal of Swarm Intelligence Research (IJSIR),
2018, No. 9 (4), pp. 21-46.
12. Lima Neto F.B.D., Lacerda M.G. Weight based fish school search, IEEE International Conference
Systems, Man and Cybernetics (SMC), 2014, pp. 270-277.
13. Bastos-Filho C.J.A., Lima-Neto F.B., Lins Sousa M.F.C., Pontes M.R. On the influence of the
swimming operators in the fish school search algorithm, IEEE International Conference on
Systems Man and Cybernetics, 2009, pp. 5012-5017.
14. Kravchenko Y.A., Bova V.V., Kursitys I.O. The development of genetic algorithm for semantic
similarity estimation in terms of knowledge management problems, Artificial Intelligence Perspectives
in Intelligent Systems. Proceedings of the 6th Computer Science On-line Conference
2017 (CSOC2017), Vol. 1. Springer, 2017, pp. 84-93.
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. Pulyavina N., Taratukhin V. The Future of Project-Based Learning for Engineering and Management
Students: Towards an Advanced Design Thinking Approach, ASEE Annual Conference
and Exposition, Conference Proceedings, 2018, No. 125.
23. Becker J., Pulyavina N., Taratukhin V. Next-Gen Design Thinking. Using Project-Based and
Game-Oriented Approaches to Support Creativity and Innovation, Proceedings of the 1st International
Conference of Information Systems and Design, 2020.
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.
