Алгоритм балансування навантаження та підвищення стійкості хмарних вузлів на основі прогнозованого інтегрального індексу

Автор(и)

DOI:

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

Ключові слова:

хмарні обчислення, Інтернет речей (IoT), балансування навантаження, інтегральний індекс, прогнозування, моніторинг безпеки, LSTM, нейронна мережа, оптимізація ресурсів, час відгуку, стохастичний трафік, QoS, маршрутизація

Анотація

У роботі розв’язано задачу балансування навантаження у хмарних середовищах, орієнтованих на обробку стохастичного IoT-трафіку. Встановлено, що традиційні реактивні методи є недостатньо ефективними в умовах різких коливань інтенсивності запитів. Запропоновано адаптивний алгоритм маршрутизації, що базується на прогнозованому інтегральному індексі навантаження вузла. Цей індекс агрегує метрики CPU, RAM, дискових операцій та мережевої активності в єдиний критерій. Для передбачення стану вузлів використано модель рекурентної нейронної мережі LSTM. Формалізовано задачу мінімізації очікуваного часу обслуговування та перевантаження. Використання запропонованого підходу дозволяє забезпечити превентивний розподіл ресурсів, підвищуючи стабільність системи. Додатковою перевагою запропонованого підходу є його релевантність до забезпечення кібербезпеки та стійкості хмарної інфраструктури. У контексті IoT-систем перевантаження окремих вузлів часто супроводжується зниженням рівня доступності сервісів та підвищенням уразливості до атак типу відмова в обслуговуванні. Використання прогнозованого інтегрального індексу навантаження дає змогу не лише оптимізувати розподіл обчислювальних ресурсів, а й своєчасно виявляти аномальні сценарії зростання навантаження, що можуть бути пов’язані з некоректною поведінкою IoT-пристроїв або ворожою активністю. Це створює підґрунтя для інтеграції механізмів балансування навантаження з системами моніторингу безпеки, підвищуючи відмовостійкість хмарного середовища та зменшуючи ризики деградації сервісів під дією як техногенних, так і зумисних впливів.

Посилання

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.

##submission.downloads##

Опубліковано

2025-12-19

Номер

Том 3 № 83 (2025)

Розділ

Статті

Ліцензія

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).