Порівняльний аналіз згорткових нейронних мереж та багатошарових перцептронів для розподілу ресурсів у розподілених обчислювальних системах
DOI:
https://doi.org/10.18372/2073-4751.83.20552Ключові слова:
розподілені обчислювальні системи, розподіл ресурсів, багатошаровий перцептрон, згорткові нейронні мережі, планування завдань, вибір вузлів, бінарна класифікація, обробка табличних данихАнотація
Ефективний розподіл ресурсів у гетерогенних розподілених обчислювальних системах потребує інтелектуальних механізмів вибору вузлів, здатних адаптуватися до динамічних умов системи. Це дослідження представляє порівняльну оцінку архітектур згорткової нейронної мережі (CNN) та багатошарового перцептрона (MLP) для бінарної класифікації придатності вузлів у середовищах розподіленого планування задач. У роботі використано п’ять синтетичних наборів даних обсягом від 100 до 2000 записів, де кожен вузол описується чотирма ключовими атрибутами: продуктивність, рівень безпеки, швидкість передавання даних (baud rate) та надійність. Експериментальні результати показують, що архітектура MLP досягає точності валідації між 91% та 98,8% із високою стабільністю для різних обсягів даних, тоді як архітектура CNN демонструє коливання результатів у межах 85–94%. Основний висновок полягає в тому, що архітектури MLP переважають CNN для табличних даних вузлів завдяки кращій відповідності структурі неупорядкованих атрибутів, оскільки повнозв’язні шари природно працюють із неструктурованими ознаками без накладання припущень про просторову локальність. Це емпіричне дослідження надає практичні рекомендації щодо вибору архітектур у ресурсних планувальниках на основі ШІ, демонструючи, що простіші моделі можуть перевершувати складніші, якщо вони краще відповідають природі задачі. Отримані результати роблять внесок у формування рекомендацій для фахівців з розподілених систем, які впроваджують нейронні мережі у процеси планування.
Посилання
Mukhin V., Kulyk V. Modern models and methods of resource management of distributed computer systems. Telecommunication and Information Technologies. 2024. Vol. 1, No. 82. P. 1–13. URL:
https://tit.dut.edu.ua/index.php/telecommunication/article/view/2519/2400
Mukhin V., Kulyk V. Hybrid artificial intelligence architecture for dynamic workload scheduling in large-scale distributed computing systems. Telecommunication and Information Technologies. 2025. No. 1. URL:
https://tit.dut.edu.ua/index.php/telecommunication/article/view/2599/2475/
Govindarajan V., Sonani R., Patel P. S. A Framework for Security-Aware Resource Management in Distributed Cloud Systems. Academia Nexus Journal. 2023. Vol. 2, No. 2. URL: https://academianexusjournal.com/index.php/anj/article/view/12/13
Optimizing Distributed AI Workloads in Cloud Environments. World Journal of Advanced Research and Reviews. 2024. Vol. 23, No. 01. P. 3137–3149. URL: https://wjarr.com/sites/default/files/WJARR-2024-2030.pdf
Cranmer M., Melchior P., Nord B. Unsupervised Resource Allocation with Graph Neural Networks. Proceedings of Machine Learning Research. 2021. Vol. 148. P. 272–284. URL: https://proceedings.mlr.press/v148/cranmer21a/cranmer21a.pdf
Ahmadini A. A. H., Ali M. Z., Abdulazeez M. M. Neural networks to model COVID-19 dynamics and optimize healthcare resource allocation. Scientific Reports. 2025. Vol. 15, No. 1. URL: https://www.nature.com/articles/s41598-025-00153-9
Lead Data Engineer S. J. Efficient Orchestration of AI Workloads: Data Engineering Solutions for Distributed Cloud Computing. Zenodo. 2025. URL: https://zenodo.org/records/15053639
Erukulla N. Efficient Workload Allocation and Scheduling Strategies for AI-Intensive Tasks in Cloud Infrastructures. PowerTech Journal. 2023. Vol. 47, No. 4. URL: https://powertechjournal.com/index.php/journal/article/view/160
Wang D., Wang W., Gao H., Zhang Z., Han Z. Delay-Optimal Computation Offloading in Large-Scale Multi-Access Edge Computing Using Mean Field Game. IEEE Transactions on Wireless Communications. 2024. Vol. 23, No. 3. P. 1684–1698. DOI: 10.1109/TWC.2023.3291198
Qiu X., Zhang W., Chen W., Zheng Z. Distributed and Collective Deep Reinforcement Learning for Computation Offloading: A Practical Perspective. IEEE Transactions on Parallel and Distributed Systems. 2021. Vol. 32, No. 5. P. 1085–1101. DOI: 10.1109/TPDS.2020.3042599
Wu Y. et al. Task Scheduling in Geo-Distributed Computing: A Survey. IEEE Transactions on Parallel and Distributed Systems. 2025. Vol. 36, No. 10. P. 2073–2088. DOI: 10.1109/TPDS.2025.3591010
Wang S. et al. Adaptive Federated Learning in Resource Constrained Edge Computing Systems. IEEE Journal on Selected Areas in Communications. 2019. Vol. 37, No. 6. P. 1205–1221. DOI: 10.1109/JSAC.2019.2904348
Gerontas A., Peristeras V., Tambouris E., Kaliva E., Magnisalis I., Tarabanis K. Public Service Models: A Systematic Literature Review and Synthesis. IEEE Transactions on Emerging Topics in Computing. 2021. Vol. 9, No. 2. P. 637–648. DOI: 10.1109/TETC.2019.2939485
Huang L., Bi S., Zhang Y.-J. A. Deep Reinforcement Learning for Online Computation Offloading in Wireless Powered Mobile-Edge Computing Networks. IEEE Transactions on Mobile Computing. 2020. Vol. 19, No. 11. P. 2581–2593. DOI: 10.1109/TMC.2019.2928811
Ouyang T., Li R., Chen X., Zhou Z., Tang X. Adaptive User-managed Service Placement for Mobile Edge Computing: An Online Learning Approach. IEEE INFOCOM 2019. Paris, 2019. P. 1468–1476. DOI: 10.1109/INFOCOM.2019.8737560
Behmandpoor P., Patrinos P., Moonen M. Federated Learning Based Resource Allocation for Wireless Communication Networks. EUSIPCO 2022. Belgrade, 2022. P. 1656–1660. DOI: 10.23919/EUSIPCO55093.2022.9909708
Zhou Z., Chen X., Li E., Zeng L., Luo K., Zhang J. Edge Intelligence: Paving the Last Mile of Artificial Intelligence With Edge Computing. Proceedings of the IEEE. 2019. Vol. 107, No. 8. P. 1738–1762. DOI: 10.1109/JPROC.2019.2918951
Wang X., Han Y., Wang C., Zhao Q., Chen X., Chen M. In-Edge AI: Intelligentizing Mobile Edge Computing, Caching and Communication by Federated Learning. IEEE Network. 2019. Vol. 33, No. 5. P. 156–165. DOI: 10.1109/MNET.2019.1800286
Liu Y., Mao Y., Shang X., Liu Z., Yang Y. Energy-Aware Online Task Offloading and Resource Allocation for Mobile Edge Computing. IEEE ICDCS 2023. Hong Kong, 2023. P. 339–349. DOI: 10.1109/ICDCS57875.2023.00073
Danylchuk H. B. (ed.). Advances in machine learning for the innovation economy. Proceedings of the 10th International Conference on Monitoring, Modeling & Management of Emergent Economy (M3E2-MLPEED 2022). CEUR Workshop Proceedings. 2023. Vol. 3465. 250 p. URL: https://ceur-ws.org/Vol-3465/
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:- 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.
- 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.
- 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).
