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

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.