Эффективное распределение вычислительных ресурсов в геораспределенных гетерогенных динамичных вычислительных средах

В настоящее время управление вычислительными ресурсами в геораспределенных гетерогенных динамичных вычислительных средах представляет собой нетривиальную научную задачу. В силу сложности таких систем распределение вычислительных ресурсов становится вычислительно сложной задачей, как правило, многокритериальной, с нелинейными ограничениями, целочисленной или смешанно-целочисленной. Решение подобных задач составляет дополнительные ресурсные издержки систем. Кроме того, свойство геораспределенности также привносит дополнительные ресурсные издержки, которые возникают при транзите данных между вычислительными подзадачами в случае, когда при этом задействованы транзитные участки сети и длина маршрута более одного участка. Целью настоящего исследования является реализация эффективного управления вычислительными ресурсами по критерию использования вычислительных ресурсов – как в процессе их распределения, так и при решении вычислительной задачи в вычислительной среде. Для достижения поставленной цели разработана новая постановка задачи распределения вычислительных ресурсов, которая учитывает свойства гетерогенности, динамики и геораспределенности вычислительной среды и отличается наличием управляемых параметров, определяющих затраты ресурсов как на передачу данных по сети, так и на решение задачи распределения вычислительных ресурсов. Разработан метод, позволяющий решить поставленную задачу, который включает этапы разработки репозитария метаэвристик и его использования. Результаты проведенного моделирования позволяют сделать вывод о перспективности разработанного метода – трудоемкость распределения вычислительных ресурсов снизилась в 28 раз при потерях качества полученного решения до 10 %.

1. Клименко А.Б. Постановка задачи и методы распределения вычислительных ресурсов в геораспределенных гетерогенных вычислительных средах с динамикой и ограничением на время выполнения задач. Прикладная информатика. 2024;19(4):48–67. https://doi.org/10.37791/2687-0649-2024-19-4-48-67

2. Sukhoroslov O., Gorokhovskii M. Benchmarking DAG Scheduling Algorithms on Scientific Workflow Instances. In: Supercomputing: Revised Selected Papers: Part II: 9th Russian Supercomputing Days, RuSCDays 2023, 25–26 September 2023, Moscow, Russia. Cham: Springer; 2023. pp. 3–20. https://doi.org/10.1007/978-3-031-49435-2_1

3. Каляев И.А., Каляев А.И. Метод и алгоритмы адаптивного мультиагентного диспетчирования ресурсов в гетерогенных распределенных вычислительных средах. Автоматика и телемеханика. 2022;(8):100–122. https://doi.org/10.31857/S0005231022080062

4. Heba M.F. Optimizing Task Scheduling and Resource Allocation in Computing Environments using Metaheuristic Methods. Fusion: Practice and Applications. 2024;15(1):157–179. https://doi.org/10.54216/FPA.150113

5. Narwal A. Resource Utilization Based on Hybrid WOA-LOA Optimization with Credit Based Resource Aware Load Balancing and Scheduling Algorithm for Cloud Computing. Journal of Grid Computing. 2024;22(3). https://doi.org/10.1007/s10723-024-09776-0

6. Hussain M., Nabi S., Hussain M. RAPTS: resource aware prioritized task scheduling technique in heterogeneous fog computing environment. Cluster Computing. 2024;27:13353–13377. https://doi.org/10.1007/s10586-024-04612-2

7. Behera S.R., Panigrahi N., Bhoi S.K., Sahoo K.S., Jhanjhi N.Z., Ghoniem R.M. Time Series-Based Edge Resource Prediction and Parallel Optimal Task Allocation in Mobile Edge Computing Environment. Processes. 2023;11(4). https://doi.org/10.3390/pr11041017

8. Dankolo N.M.D., Radzi N.H.M., Mustaffa N.H., Talib M.Sh., Yunos Z.M., Gabi D. Efficient Task Scheduling Approach in Edge-Cloud Continuum Based on Flower Pollination and Improved Shuffled Frog Leaping Algorithm. Baghdad Science Journal. 2024;21(2). https://doi.org/10.21123/bsj.2024.10084

9. Abdel-Basset M., Mohamed R., Abd Elkhalik W., Sharawi M., Sallam K.M. Task Scheduling Approach in Cloud Computing Environment Using Hybrid Differential Evolution. Mathematics. 2022;10(21). https://doi.org/10.3390/math10214049

10. Mishra A.K., Mohapatra S., Sahu P.K. Adaptive Tasmanian Devil Optimization algorithm based efficient task scheduling for big data application in a cloud computing environment. Multimedia Tools and Applications. 2024. https://doi.org/10.1007/s11042-024-19887-1

11. Барский А.Б. Параллельное программирование. Москва: Национальный Открытый Университет «ИНТУИТ»; 2016. 345 с.

12. Топорков В.В. Модели распределенных вычислений. Москва: Физматлит; 2004. 320 с.

13. Sadeg S., Hamdad L., Kada O., Benatchba K., Habbas Z. Meta-learning to Select the Best Metaheuristic for the MaxSAT Problem. In: Modelling and Implementation of Complex Systems: Proceedings of the 6th International Symposium, MISC 2020, 24–26 October 2020, Batna, Algeria. Cham: Springer; 2020. pp. 122–135. https://doi.org/10.1007/978-3-030-58861-8_9

14. Kärcher J., Meyr H. A machine learning approach for predicting the best solution heuristic for a large scaled Capacitated Lotsizing Problem. Research Square. 2023. https://doi.org/10.21203/rs.3.rs-3709286/v1

15. Aksoy İ.C., Mutlu M.M. Comparing the performance of metaheuristics on the Transit Network Frequency Setting Problem. Journal of Intelligent Transportation Systems. 2024. https://doi.org/10.1080/15472450.2024.2392722