Применение гибридного алгоритма балансировки для управления распределением вычислительных задач в высоконагруженных системах

Актуальность исследования обусловлена стремительным ростом объемов обрабатываемых данных и широким распространением облачных технологий, что делает эффективное распределение вычислительных задач в высоконагруженных системах ключевой проблемой современной информатики. Существующие методы балансировки нагрузки часто не учитывают гетерогенность ресурсов, динамику workloads и необходимость многоцелевой оптимизации, что ограничивает их эффективность. Целью работы является разработка гибридного алгоритма балансировки нагрузки, сочетающего преимущества алгоритмов Artificial Bee Colony (ABC) и Max-Min для повышения производительности и ресурсоэффективности распределенных систем. В исследовании использован метод имитационного моделирования в среде CloudSim для оценки предложенного алгоритма при различных сценариях нагрузки (от 100 до 5000 задач). Задачи классифицируются на «легкие» и «тяжелые» на основе их вычислительной сложности (MIPS), после чего ABC применяется для быстрого распределения простых задач, а Max-Min – для оптимизации выполнения ресурсоемких заданий с целью минимизации общего времени выполнения (makespan). Сравнительный анализ с базовыми алгоритмами (FCFS, SJF, Min-Min, Max-Min, PSO, ABC) показал, что гибридный подход обеспечивает на 15–30 % лучшее время выполнения задач при высокой нагрузке (5000 задач), демонстрируя высокую адаптивность и масштабируемость. Результаты исследования подтверждают, что гибридные алгоритмы, объединяющие эвристические и метаэвристические методы, представляют собой перспективное решение для динамических облачных сред. Предложенный метод эффективно сочетает оперативность распределения легких задач и стратегическое планирование ресурсоемких операций, что делает его применимым в реальных ЦОДах и распределенных системах. Практическая значимость работы заключается в повышении энергоэффективности, снижении затрат и обеспечении качества обслуживания (QoS) в облачных вычислениях.

1. Durairaj S., Sridhar R. Coherent Virtual Machine Provisioning Based on Balanced Optimization Using Entropy-Based Conjectured Scheduling in Cloud Environment. Engineering Applications of Artificial Intelligence. 2024;132. https://doi.org/10.1016/j.engappai.2024.108423

2. Han Zh., Tan H., Wang R., Chen G., Li Yu., Lau F.Ch.M. Energy-Efficient Dynamic Virtual Machine Management in Data Centers. IEEE/ACM Transactions on Networking. 2019;27(1):344–360. https://doi.org/10.1109/tnet.2019.2891787

3. Gaggero М., Caviglione L. Model Predictive Control for Energy-Efficient, Quality-Aware, and Secure Virtual Machine Placement. IEEE Transactions on Automation Science and Engineering. 2019;16(1):420–432. https://doi.org/10.1109/TASE.2018.2826723

4. Mohammad O.K.J., Salih B.M. Improving Task Scheduling in Cloud Datacenters by Implementation of an Intelligent Scheduling Algorithm. Informatica. 2024;48(10). https://doi.org/10.31449/inf.v48i10.5843

5. Ahmed A., Adnan M., Abdullah S., Ahmad I., Alturki N., Jamel L. An Efficient Task Scheduling for Cloud Computing Platforms Using Energy Management Algorithm: A Comparative Analysis of Workflow Execution Time. IEEE Access. 2024;12:34208–34221. https://doi.org/10.1109/ACCESS.2024.3371693

6. Zolfaghari R., Rahmani A.M. Virtual Machine Consolidation in Cloud Computing Systems: Challenges and Future Trends. Wireless Personal Communications. 2020;115(3):2289–2326. https://doi.org/10.1007/s11277-020-07682-8

7. Geeta K., Prasad V.K. Multi-Objective Cloud Load-Balancing with Hybrid Optimization. International Journal of Computers and Applications. 2023;45(10):611–625. https://doi.org/10.1080/1206212X.2023.2260616

8. Stavrinides G.L., Karatza H.D. An Energy-Efficient, QoS-Aware and Cost-Effective Scheduling Approach for Real-Time Workflow Applications in Cloud Computing Systems Utilizing DVFS and Approximate Computations. Future Generation Computer Systems. 2019;96:216–226. https://doi.org/10.1016/j.future.2019.02.019

9. Belgacem А., Beghdad-Bey К. Multi-Objective Workflow Scheduling in Cloud Computing: Trade-Off Between Makespan and Cost. Cluster Computing. 2022;25(1):579–595. https://doi.org/10.1007/s10586-021-03432-y

10. Jena U.K., Das P.K., Kabat M.R. Hybridization of Meta-Heuristic Algorithm for Load Balancing in Cloud Computing Environment. Journal of King Saud University – Computer and Information Sciences. 2022;34(6):2332–2342. https://doi.org/10.1016/j.jksuci.2020.01.012