Сравнительное моделирование эвристик распределения вычислительной нагрузки в гибридной cloud-fog архитектуре для IoT-систем

В работе проводится сравнительный анализ эвристик распределения вычислительной нагрузки на основе гибридной cloud-fog архитектуры, использующейся для обработки трафика интернета вещей. Такая архитектура является оптимальной для приложений, требующих быстродействия и работающих в масштабе реального времени, с учетом ограничений по задержке, энергопотреблению и загрузке вычислительных узлов. Сравнительное моделирование проводится на основе стохастической многокритериальной математической модели распределения вычислительной нагрузки между туманными и облачными ресурсами. На модель накладываются ограничения по емкости, задержке, надежности и балансировке загрузки. На базе iFogSim проведено моделирование типового IoT-сценария с вариацией интенсивности потока задач и сравнением двух политик распределения – базовой и оптимизированной. Динамический анализ проводился с изменением нагрузки по интенсивности поступления заявок. Результаты показывают, что оптимизированная стратегия снижает среднюю задержку, энергопотребление, долю нарушений SLA и степень перегрузки fog-узлов, обеспечивая более устойчивое функционирование системы при росте нагрузки. При таком подходе туманные и облачные ресурсы используются более рационально, повышая тем самым эффективность обработки IoT-данных. Практическая значимость работы заключается в возможности применения результатов моделирования при построении интеллектуальных алгоритмов управления нагрузкой в промышленных IoT-системах, умных городах, телемедицине и системах видеомониторинга.

1. Утегенов Н.Б. Интернет вещей (IoT) и информационные системы. Universum: технические науки. 2023;(7-1):30–34.

2. Аль-Свейти М. Методы машинного обучения для прогнозирования трафика в многоуровневой облачной архитектуре для сервисов автономных транспортных средств. Труды учебных заведений связи. 2022;8(4):89–99. https://doi.org/10.31854/1813-324X-2022-8-4-89-99

3. Глушак Е.В., Михайлова П.Д. Повышение качества обслуживания трафика в гибридных сетях с облачными и туманными уровнями. Моделирование, оптимизация и информационные технологии. 2026;14(3). https://doi.org/10.26102/2310-6018/2026.54.3.001

4. Мельник Э.В., Иванов Д.Я., Орда-Жигулина М.В. и др. Применение технологий туманных вычислений в системе мониторинга и прогнозирования опасных природных явлений. Известия Тульского государственного университета. Технические науки. 2019;(2):300–311.

5. Волков А.Н. Задача маршрутизации в сети динамических туманных вычислений. Труды учебных заведений связи. 2024;10(4):27–37. https://doi.org/10.31854/1813-324X-2024-10-4-27-37

6. Глушак Е.В., Клюев Д.С. Применение облачных и туманных вычислений для обработки данных на борту воздушных судов. Труды МАИ. 2026;(146):18. URL: https://trudymai.ru/published.php?ID=187458

7. Глушак Е.В. Анализ приоритетного управления качеством обслуживания трафика в гибридных сетях связи с облачными и туманными технологиями. Динамика сложных систем – XXI век. 2026;20(2):38–45. https://doi.org/10.18127/j19997493-202602-04

8. Волков А.Н. Динамические туманные вычисления и бессерверная архитектура: на пути к зеленым ИКТ. Труды учебных заведений связи. 2024;10(3):24–34. https://doi.org/10.31854/1813-324X-2024-10-3-24-34

9. Куприянов Д.О. Математическое моделирование потока заявок к облачному вычислительному кластеру. T-Comm: Телекоммуникации и транспорт. 2020;14(10):39–44. https://doi.org/10.36724/2072-8735-2020-14-10-39-44

10. Данг В.Т., Волков А.Н. Анализ влияния Green IT на распределенные туманные вычисления: возможности и вызовы. Научно-техническая конференция Санкт-Петербургского НТО РЭС им. А.С. Попова, посвященная Дню радио. 2025;(1):171–174.