Load balancing and cloud node resilience enhancement algorithm based on predicted integral index

Authors

DOI:

https://doi.org/10.18372/2073-4751.83.20512

Keywords:

cloud computing, Internet of Things (IoT), load balancing, integral index, forecasting, security monitoring, LSTM, neural network, resource optimization, response time, stochastic traffic, QoS, routing

Abstract

The paper addresses the problem of load balancing in cloud environments designed for processing stochastic IoT traffic. It is established that traditional reactive methods are insufficiently effective under conditions of sharp fluctuations in request intensity. An adaptive routing algorithm based on the predicted integral node load index is proposed. This index aggregates CPU, RAM, disk I/O, and network activity metrics into a single criterion. An LSTM recurrent neural network model is used to forecast node states. The problem of minimizing expected service time and overload is formalized. The implementation of the proposed approach enables preventive resource distribution, thereby enhancing system stability. Furthermore, the proposed approach significantly contributes to the cybersecurity and resilience of cloud infrastructure. Within IoT ecosystems, node saturation frequently leads to compromised service availability and heightened susceptibility to Denial-of-Service (DoS) attacks. Leveraging the predicted integral load index facilitates not only the optimized allocation of computational resources but also the early detection of load anomalies attributed to aberrant IoT device behavior or hostile actions. This fosters the integration of load balancing with security monitoring frameworks, bolstering cloud fault tolerance and minimizing service degradation risks arising from both systemic failures and malicious intent.

References

Kunwar V. et al. Load Balancing in Cloud — A Systematic Review. Advances in Intelligent Systems and Computing. 2018. DOI: 10.1007/978-981-10-6620-7_56.

Ameen J.N., Begum S.J. Evolutionary Algorithm Based Adaptive Load Balancing (EA-ALB) in Cloud Computing Framework. Intelligent Automation & Soft Computing. 2022. 34(2). P. 1281-1294. DOI: 10.32604/iasc.2022.025137.

Lilhore U.K. et al. A multi-objective approach to load balancing in cloud environments integrating ACO and WWO techniques. Scientific Reports. 2025. Vol. 15, 12036. DOI: 10.1038/s41598-025-96364-1.

Zhang B et al. SWT-CLSTM: A hybrid model for cloud workload prediction combining smooth wavelet transform and contrastive learning. Journal of King Saud University Computer and Information Sciences. 2025. 37. DOI: 10.1007/s44443-025-00316-8.

Almezeini N.A., Hafez A. Task Scheduling in Cloud Computing using Lion Optimization Algorithm. International Journal of Advanced Computer Science and Applications. 2017. 8(11). DOI: 10.14569/IJACSA.2017.081110.

Fang Y., Wang F., Ge J. A Task Scheduling Algorithm Based on Load Balancing in Cloud Computing. Lecture Notes in Computer Science. 2010. 6318:271-277. DOI: 10.1007/978-3-642-16515-3_34

Batahari M. et al. Dynamic Load Balancing in Cloud Computing Using Machine Learning. Conference: 3rd International conference on business analytics for technology and security. 2025.

Bansal S., Kumar M. Deep Learning-based Workload Prediction in Cloud Computing to Enhance the Performance. Third International Conference on Secure Cyber Computing and Communication (ICSCCC). 2023. DOI: 10.1109/ICSCCC58608.2023.10176790Corpus

Mohanty S. et al. A Novel Meta-Heuristic Approach for Load Balancing in Cloud Computing. International Journal of Knowledge-Based Organizations. 2018. 8(1):29-49. DOI: 10.4018/IJKBO.2018010103.

Ranesh Naha R. et al. Deadline-based dynamic resource allocation and provisioning algorithms in Fog-Cloud environment. Future Generation Computer Systems. 2019. 104. DOI: 10.1016/j.future.2019.10.018.

Mahmud R., Kotagiri R., Buyya R. Fog Computing: A Taxonomy, Survey and Future Directions. Internet of Everything. Internet of Things (Technology, Communications and Computing). 2017. P. 103-130. DOI: 10.1007/978-981-10-5861-5_5.

Al-Arasi R.A., Saif A. Task scheduling in cloud computing based on metaheuristic techniques: A review paper. EAI Endorsed Transactions on Cloud Systems. 2018. 6(17):162829. DOI: 10.4108/eai.13-7-2018.162829.

Downloads

Published

2025-12-19

Issue

Vol. 3 No. 83 (2025)

Section

Статті

License

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).