РОЗРОБКА МАСШТАБОВАНОЇ РОЗПОДІЛЕНОЇ АРХІТЕКТУРИ ДЛЯ МАСОВИХ БАГАТОКОРИСТУВАЦЬКИХ ОНЛАЙН-СИСТЕМ
DOI:
https://doi.org/10.35546/kntu2078-4481.2025.4.3.11Ключові слова:
MMO, розподілені системи, масштабованість, балансування навантаження, архітектура серверів, машинне навчанняАнотація
У сучасній ігровій індустрії та суміжних сферах цифрових технологій дедалі зростає потреба у створенні систем, здатних забезпечувати стабільне функціонування в умовах надзвичайно великої кількості одночасних користувачів. Масові багатокористувацькі онлайн-системи (MMO) – це складні програмно-апаратні комплекси, у яких необхідно гарантувати не лише швидкий обмін даними між клієнтами, а й узгодженість станів, масштабованість, відмовостійкість і мінімальну затримку реакції сервера. Традиційні централізовані архітектури не можуть задовольнити ці вимоги, оскільки їх продуктивність обмежується апаратними ресурсами одного вузла, що призводить до зниження якості обслуговування користувачів при пікових навантаженнях. Запропоновано алгоритм динамічного балансування, який використовує комбінацію локальних метрик завантаження та глобального аналізу стану системи. На основі модулю машинного навчання (MLLP) реалізовано прогнозування майбутніх пікових навантажень, що дозволяє попередньо перерозподіляти ресурси між сервера- ми. Програмну реалізацію алгоритму виконано на мові Python із використанням технологій багатопроцесорної обробки та асинхронних черг повідомлень. Порівняльний аналіз результатів показав, що розроблена архітектура забезпечує зниження середньої латентності на 57% у порівнянні з класичними централізованими MMO-моделями та підвищення ефективності використання обчислювальних ресурсів на понад 230%. Отримані результати підтверджують доцільність застосування розподілених архітектур у сучасних ігрових середовищах і платформах реального часу. Практичне значення дослідження полягає у можливості використання запропонованої архітектури для побудови високонавантажених серверів MMO-ігор, симуляторів та інтерактивних освітніх або віртуальних середовищ. Подальші дослідження планується спрямувати на вдосконалення моделей синхронізації станів, розроблення гібридних підходів до балансування та інтеграцію систем самонавчання для автономного керування ресурсами.
Посилання
Barros e Sá G.C., Madeira C.A.G. Deep reinforcement learning in real-time strategy games. Expert Systems with Applications. 2021. DOI: https://doi.org/10.1007/s10489-024-06220-4
Rahmani A.M., Liljeberg P., Preden J.-S., Jantsch A. Fog Computing in the Internet of Things: Intelligence at the Edge. Springer International Publishing, 2018. ISBN 978 3 319 57638 1. DOI: https://doi.org/10.1007/978-3-319-57639-8
Kasenides N., Paspallis N. Athlos: A Framework for Developing Scalable MMOG Backends on Commodity Clouds. Software. 2022. Vol. 1, No. 1, pp. 107-145. DOI: https://doi.org/10.3390/software1010006
García Fernández E.J., García Puche E.J., Jabba Molinares D. Dynamic Low-Latency Load Balancing Model to Improve Quality of Experience in a Hybrid Fog and Edge Architecture for Massively Multiplayer Online (MMO) Games. Applied Sciences. 2025. Vol. 15, No. 12, Article 6379. DOI: https://doi.org/10.3390/app15126379
Zhou Y., Li D., Gao F. Optimal Synchronization Control for Heterogeneous Multi-Agent Systems: Online Adaptive Learning Solutions. 2020. DOI: https://doi.org/10.48550/arXiv.2011.05663
Wang N., Varghese B., Matthaiou M., Nikolopoulos D.S. ENORM: A Framework For Edge Node Resource Management. 2017. DOI: https://doi.org/10.48550/arXiv.1709.04061
Donkervliet J., Ron J., Li J., Iancu T., Abad C.L., Iosup A. Servo: Increasing the Scalability of Modifiable Virtual Environments Using Serverless Computing. 2023. arXiv. DOI: https://doi.org/10.48550/arXiv.2305.00032
Moreno-Vozmediano R., Huedo E., Montero R.S., Llorente I.M. AI-Driven Resource Allocation and Auto-Scaling of VNFs in Edge-5G-IoT Ecosystems. Electronics. 2025. Vol. 14, No. 9, Article 1808. DOI: https://doi.org/10.3390/electronics14091808
Завгородній В.В., Завгородня Г.А., Валявська Н.О., Адаменко В.С., Дороговцев Є.В., Несмачний П.В. Метод автоматичної генерації контенту на основі процедурних алгоритмів. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33(72), № 1, С. 91–96. DOI: https://doi.org/10.32838/2663-5941/2022.1/15
Завгородній В.В., Завгородня Г.А., Дроботович К.Є., Тенігін О.В., Шматко М.М. Математичне моделювання у методах формального дослідження. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2021. Т. 32(71), № 6, С. 75–79. DOI: https://doi.org/10.32838/2663-5941/2021.6/12
Завгородній В.В., Завгородня Г.А., Демченко І.В., Крамаренко К.С., Шевченко І.О., Юрченко А.В. Метод створення штучних текстур із заданими параметрами. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33(72), № 2, С. 86–90. DOI: https://doi.org/10.32838/2663-5941/2022.2/14
Завгородній В.В., Завгородня Г.А., Валявська Н.О., Герасименко О.О., Калюжний О.В., Степовий А.В. Пошук аномалій у даних за допомогою машинного навчання. Вчені записки ТНУ ім. В. І. Вернадського. Серія: Технічні науки. 2022. Т. 33(72), № 3, С. 39–43. DOI: https://doi.org/10.32838/2663-5941/2022.3/06
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
