МОДЕЛІ УПРАВЛІННЯ РЕСУРАМИ ДЛЯ ЗАБЕЗПЕЧЕННЯ ФУНКЦІОНАЛЬНОЇ СТІЙКОСТІ ПРОЦЕСУ РОЗПОДІЛЕНИХ ОБЧИСЛЕНЬ
DOI:
https://doi.org/10.35546/kntu2078-4481.2023.4.28Ключові слова:
розподілені обчислення, комп’ютерні ресурсі, моделі розподілених систем, функціональна стійкість, методи розподілення завдань за ресурсами.Анотація
У статті розглядаються питання підвищення ефективності систем розподіленої обробки даних з підтримкою функціональної стійкості обчислювального процесу. Однією з основних задач, яка з’являється в процесі підтримки функціональної стійкості, є задача розподілу завдань за обчислювальними ресурсами. В роботі проводиться аналіз сучасних моделей, методів та планувальників, які здійснюють розподіл обчислювальних завдань за розподіленими комп’ютерними ресурсами. Існуючі методи розподілення ресурсів зазвичай використовують різні критерії при виборі вільних ресурсів для використання. Основні критерії – це вартість, час виконання, процент використання ресурсів. Сьогодні важними критеріями стають енергоспоживання, підтримка функціональної стійкості та час самовідновлення систем. Запропоновано моделі управління ресурсами для забезпечення функціональної стійкості, а саме: модифіковану теоретико-множинну модель розподіленого обчислювального процесу з підтримкою функціональної стійкості, модифіковані моделі оцінки часу виконання та енергоспоживання, модель процесу підтримки функціональної стійкості. Експерименти, описані в роботі показують, що використання запропонованих моделей в стандартних методах розподілу ресурсів, стандартних планувальниках дозволило знизити час виконання обчислювальних завдань до 43%, а енергоспоживання у середньому на 26%. Результати дослідження можуть бути використані при розробленні нових методів розподілу ресурсів та технологій розподілених обчислень з використанням отриманих моделей, які враховують засоби підтримки функціональної стійкості обчислювального процесу.
Посилання
I. Ruban, M. Volk, T. Filimonchuk, I. Ivanisenko, M. Risukhin, Y. Romanenkov. The Method for Ensuring the Survivability of Distributed Computing in Heterogeneous Computer Systems. 5th International Scientific-Practical Conference Problems of Infocommunications. Science and Technology (PIC S&T), Kharkiv, Ukraine, October 9–12, 2018. pp. 1–7.
T. Filimonchuk, M. Volk, I. Ruban, V. Tkachov Development of information technology of tasks distribution for grid-systems using the GRASS simulation environment. Eastern-European Journal of Enterprise Technologies. Information and controlling system, 2016. Vol. 3/9 (81). pp. 45–53.
P. Wang, Y. Lei, P. R. Agbedanu, and Z. Zhang, “Makespandriven workflow scheduling in clouds using immunebased PSO algorithm,” IEEE Access, vol. 8, pp. 29281–29290, 2020.
N. Malik, M. Sardaraz, M. Tahir, B. Shah, G. Ali, and F. Moreira, “Energy-efficient load balancing algorithm for workflow scheduling in cloud data centers using queuing and thresholds,” Applied Sciences, vol. 11, no. 13, Article ID 5849, 2021.
P. Wang, Y. Lei, P. R. Agbedanu, and Z. Zhang, “Makespandriven workflow scheduling in clouds using immunebased PSO algorithm,” IEEE Access, vol. 8, pp. 29281–29290, 2020.
H. R. Faragardi,M. R. S. Sedghpour, S. Fazliahmadi, T. Fahringer, and N. Rasouli, “GRP-HEFT: a budgetconstrained resource provisioning scheme for workflow scheduling in IaaS clouds,” IEEE Transactions on Parallel and Distributed Systems, vol. 31, no. 6, pp. 1239–1254, 2020.
L. Zhang, L. Wang, Z. Wen, M. Xiao, and J. Man, “Minimizing energy consumption scheduling algorithm of workflows with cost budget constraint on heterogeneous cloud computing systems,” IEEE Access, vol. 8, pp. 205099–205110, 2020.
R. Anitha and C. Vidyaraj, “Workload and SLA violationprediction in cloud computing,” in 2019 Third International Conference on Inventive Systems and Control (ICISC), pp. 582–587, IEEE, Coimbatore, India, 2019.
Y. Hu, H. Wang, and W. Ma, “Intelligent cloud workflow management and scheduling method for big data applications,” Journal of Cloud Computing, vol. 9, Article ID 39, 2020.
Y. Cui and Z. Xiaoqing, “Workflow tasks scheduling optimization based on genetic algorithm in clouds,” in IEEE 3rd International Conference on Cloud Computing and Big Data Analysis (ICCCBDA), pp. 6–10, IEEE, Chengdu, China, 2018.
M. N. Aktan and H. Bulut, “Metaheuristic task scheduling algorithms for cloud computing environments,” Concurrency and Computation: Practice and Experience, vol. 34, no. 9, Article ID e6513, 2022.
R. N. Talouki, M. H. Shirvani, and H. Motameni, “A heuristicbased task scheduling algorithm for scientific workflows in heterogeneous cloud computing platforms,” Journal of King Saud University-Computer and Information Sciences, vol. 34, no. 8, Part A, pp. 4902–4913, 2022.
R. N. Talouki, M. H. Shirvani, and H. Motameni, “A hybrid meta-heuristic scheduler algorithm for optimization of workflow scheduling in cloud heterogeneous computing environment,” Journal of Engineering, Design and Technology, vol. 20, no. 6, pp. 1581–1605, 2022.
S. Mustafa, K. Bilal, S. U. R. Malik, and S. A. Madani, “SLA-aware energy efficient resource management for cloud environments,” IEEE Access, vol. 6, pp. 15004–15020, 2018.
WorkflowSim https://github.com/WorkflowSim/WorkflowSim-1.0
