МЕТОДИ ОПТИМІЗАЦІЇ РОЗПОДІЛУ НАВАНТАЖЕННЯ НА ОБЧИСЛЮВАЛЬНИЙ РЕСУРС ІНФРАСТРУКТУРИ ХМАРНОГО СЕРВІСУ

Автор(и)

  • Чижов Олександр Вікторович Кафедра Комп’ютерних Інформаційних Технологій Національного Авіаційного Університету https://orcid.org/0000-0003-2141-9903
  • Фесенко Андрій Олексійович Кафедра Комп’ютерних Інформаційних Технологій Національного Авіаційного Університету https://orcid.org/0000-0001-5154-5324
  • Пустовіт Микола Сергійович Державний науково-дослідний інститут технологій кібербезпеки та захисту інформації https://orcid.org/0000-0002-6384-4564
  • Німченко Тетяна Василівна Кафедра засобів захисту інформації Національного авіаційного університету https://orcid.org/0000-0001-8196-5493

DOI:

https://doi.org/10.18372/2410-7840.25.18226

Ключові слова:

оптимізація, навантаження, хмарні обчислення, розподіл, ресурс, інформаційні технології

Анотація

У роботі досліджено методи та алгоритми оптимізації розподілу навантаження на обчислювальний ресурс інфраструктури хмарного сервісу. Зазначається, що балансування навантаження є основною проблемою серед хмарних мереж. Основною метою балансування навантаження є ефективне використання ресурсів та підвищення продуктивності. Поряд із цим воно видаляє вузли, які містять велике навантаження, а також вузли, які не працюють належним чином або виконують невелике завдання. Наголошується, що у якості базових критеріїв, пов'язаних з підвищенням ефективності балансування хмарного навантаження в реальному часі, можна виділити наступні: мінімізація витрат переміщення ресурсів і витрат виконання завдання, максимізація швидкості передачі та виконання задачі. Під якістю (ефективністю) балансування у роботі розуміється інтегральний критерій, що містить у собі істотні параметри роботи системи. Підкреслено, що математична модель динамічного розподілу віртуальних ресурсів на фізичні машини у хмарних обчисленнях, що забезпечує облік попереднього стану навантаження системи та вплив появи нового ресурсу на баланс навантаження в системі та відрізняється використанням коефіцієнта регулювання навантаження для досягнення балансування. Зазначається, що генетичний алгоритм оптимального розподілу нових віртуальних ресурсів, відрізняється реалізацією деревоподібної структури хромосом із збереженням високонавантажених вузлів, що забезпечує підвищення якості балансування навантаження та зменшення динамічного переміщення ресурсів. Наголошується, що багатокритеріальна оптимізаційна математична модель планування завдань у хмарних обчисленнях, забезпечує мінімізацію часу передачі завдань, часу виконання та витрат виконання, що відрізняється урахуванням параметрів каналу між користувачем і центром обробки даних.

Посилання

Про підходи дослідження системи хмарних обчи-слень / Д.І. Божуха, О.Г. Байбуз, Л.В. Мащенко // Актуальні проблеми автоматизації та інформаційних технологій. 2022. Том 26. С. 18-30.

Усік П.С. Методи підвищення ефективності розподіленої обробки даних в комп’ютерних системах операторів стільникового зв’язку. – Кваліфікаційна наукова праця на правах рукопису. Дисе-ртація на здобуття ступеня доктора філософії за спеціальністю 123 «Комп’ютерна інженерія». – Черкаський державний технологічний університет, Черкаси, 2021. с. 154.

Гребенюк Д. С. Аналіз методів розподілення ре-сурсів у середовищах віртуалізації. Системи управління, навігації та зв'язку, 2018. Випуск 6(52). С. 98-103.

Бульба С.С. Моделі і методи оброблення транзакцій композитних застосунків у розподілених комп’ютерних системах. – Кваліфікаційна науко-ва праця на правах рукопису Дисертація на здо-буття наукового ступеня кандидата технічних наук (доктора філософії) за спеціальністю 05.13.05 – комп’ютерні системи та компоненти (12 – інформаційні технології). – Національний технічний університет «Харківський політехнічний інститут», Міністерство освіти і науки України, Харків, 2019. с. 145.

Trivedi, Dhruvi & Parmar, Naina & Rahevar, Mru-gendrasinh. (2023). Methodological Assessment of Various Algorithm Types for Load Balancing in Cloud Computing. DOI: 10.1007/978-3-031-13577-4_16.

Vijarania, Meenu & Agrawal, Akshat & Adigun, Mat-thew & Ajagbe, Sunday & Awotunde, Joseph. (2023). Energy Efficient Load-Balancing Mechanism in Inte-grated IoT–Fog–Cloud Environment. Electronics. №12. 2543 p. DOI: 10.3390/electronics12112543.

Zhou, Chunrong & Jiang, Zhenghong. (2023). Load balancing in virtual machines of cloud environments using two-level particle swarm optimization algo-rithm. Journal of Intelligent & Fuzzy Systems. pp. 1-12. DOI: 10.3233/JIFS-230828.

Oduwole, Oludayo & Akinboro, Solomon & Lala, Olusegun & Fayemiwo, Michael & Olabiyisi, Stephen. (2022). Cloud Computing Load Balancing Techniques: Retrospect and Recommendations. FUOYE JOURNAL of ENGINEERING and TECHNOLOGY. №7. pp. 17-22. DOI: 10.46792 /fuoyejet. 7i1. 753.

Das, Sanjib & Bal, Prasanta & Sahoo, Sankarsan. (2022). GA-Based Load Balancing in Cloud with OS-level Virtualization. DOI: 10.1109/ICACCS54159. 2022.9785325.

Tasneem, Rayeesa & Akhil, Jabbar. (2022). An Insight into Load Balancing in Cloud Computing. DOI: 10.1007/978-981-19-2456-9_113.

George, Shelly & Pramila, R. Suji. (2023). An efficient load balancing technique using CAViaR-HHO enabled VM migration and replica management in cloud computing. Web Intelligence. pp. 1-21. 10.3233 / WEB-220081.

Ajil, A. & Kumar, E. (2023). A Comprehensive Study of LB Technique in Cloud Infrastructure. SN Computer Science. №4. DOI: 10.1007/s42979-022-01588-x.

##submission.downloads##

Опубліковано

2023-12-24