ГІБРИДНИЙ МЕТОД РОЗПОДІЛУ РЕСУРСІВ В ХМАРНИХ СИСТЕМАХ
Ключові слова:
хмарні системи, хмарні обчислення, управління, метод, розподіл ресурсів, планування, віртуальні машини, віртуалізація, застосунок, програмне завдання
Анотація
Об'єктом досліджень є процес управління ресурсами в хмарних системах. Мета статті полягає у підвищення ефективності хмарних систем шляхом розробки метода розподілу віртуальних машин в системах хмарних обчислень. Предметом статті виступають методи розподілу віртуальних машин та завдань в системах хмарних обчислень. У роботі розглядаються різні методи розподілу ресурсів в системах хмарних обчислень. На основі проведеного аналізу зроблено висновки про їх недоліки та переваги. В результаті дослідження отримано гібридний метод розподілу віртуальних машин за комп'ютерними ресурсами та пакетів завдань за віртуальними машинами. Експериментальні результати підтверджують підвищення ефективність запропонованого методу у порівнянні з існуючими за рахунок зниження енергоспоживання та часу виконання і збільшення коефіцієнту використання процесорних модулів.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Kim W. Cloud computing architecture. International Journal of Web and Grid Services. Vol. 9, No.3. 2013. P. 287-303. DOI: https://doi.org/10.1504/IJWGS.2013.055724
2. Mary M., Mahalakshmi D. An extensive survey on resource allocation mechanisms in cloud computing. PalArch’s Journal of Archaeology of Egypt/Egyptology. Vol. 17. No 9. 2020. P. 45–56.
3. Mohan N., Raj E. Resource allocation techniques in cloud computing-research challenges for applications. Computational Intelligence and Communication Networks, Vol. 6. 2021. P. 101–123. DOI: 10.1109/CICN.2012.177
4. Prodan R., Ostermann R. A survey and taxonomy of infrastructure as a service and web hosting cloud providers. Grid Computing. Vol. 10. 2019. P. 45–57. DOI: 10.1109/GRID.2009.5353074
5. Filimonchuk T., Volk M., Ruban I., Tkachov V. 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. DOI: https://doi.org/10.15587/1729-4061.2016.71892
6. Kumar K., Feng J., Nimmagadda Y., Lu Y. Resource allocation for real-time tasks using cloud computing. Computer Communications and Networks. Vol. 3. 2011. P. 21–30. DOI: 10.1109/ICCCN.2011.6006077
7. Гора М., Волк М. Моделі управління ресурсами для забезпечення функціональної стійкості процесу розподілених обчислень. Вісник Херсонського національного технічного університету. 2023. No 4(87). C. 244-251. DOI: https://doi.org/10.35546/kntu2078-4481.2023.4.28
8. Mamchych O., Volk M. Smartphone Based Computing Cloud and Energy Efficiency.12th International Conference on Dependable Systems, Services and Technologies (DESSERT), Athens, Greece. 2022. P.1-5, DOI: 10.1109/DESSERT58054.2022.10018740
9. Chen J., Tsai C., Lu S. Resource reallocation based on SLA requirement in cloud environment. IEEE Transactions on Services Computing, Vol. 25. 2020. P. 89–102. DOI: 10.1109/ICEBE.2015.70
10. Yang Z., Liu M., Xiu J., Liu С. Study on cloud resource allocation strategy based on particle swarm ant colony optimization algorithm. Cloud Computing and Intelligence Systems. Vol. 2. 2012. P. 67–80. DOI: 10.1109/CCIS.2012.6664453
11. Zheng X. А Pareto-based fruit fly optimization algorithm for task scheduling and resource allocation in cloud computing environment. IEEE Transactions on Services Computing. Vol. 12. 2016. P. 112–121. DOI: 10.1109/CEC.2016.7744219
12. Goutam S., Yadav A. Preemptible priority-based dynamic resource allocation in cloud computing with fault tolerance. International Journal of Communication Networks. Vol. 12. No. 3. 2015. P.67–76. DOI: 10.1109/ICCN.2015.54
13. Tseng F., Wang X., Chou L., Chao H., Leung V. Dynamic resource prediction and allocation for cloud data centre using the multi-objective genetic algorithm. IEEE Systems Journal. Vol. 12. 2018. P.1688–1699. DOI: 10.1109/JSYST.2017.2722476
14. Wei L. Genetic Algorithm Optimization of Concrete Frame Structure Based on Improved Random Forest. International Conference on Electronics and Devices, Computational Science (ICEDCS). Marseille, France. 2023. P. 249-253, DOI: 10.1109/ICEDCS60513.2023.00051
15. Коваленко А. А., Кучук Г. А. Методи синтезу інформаційної та технічної структур системи управління об’єктом критичного застосування. Сучасні інформаційні системи. 2018. Т. 2, № 1. С. 22–27. DOI: https://doi.org/10.20998/2522-9052.2018.1.04
16. Свиридов А. C., Коваленко А. А., Кучук Г. А. Метод перерозподілу пропускної здатності критичної ділянки мережі на основі удосконалення ON/OFF-моделі трафіку. Сучасні інформаційні системи. 2018. Т. 2, № 2. С. 139–144. DOI: https://doi.org/10.20998/2522-9052.2018.2.24
17. Ivanisenko I.M., Volk M.O. Simulation methods for load balancing in distributed computing. Proceedings of IEEE East-West Design & Test Symposium (EWDTS’2017), Novi Sad, Serbia, September 27 – October 2, 2017. P. 690-695. DOI: 10.1109/EWDTS.2017.8110078 Received (Надійшла) 27.02.2024
2. Mary M., Mahalakshmi D. An extensive survey on resource allocation mechanisms in cloud computing. PalArch’s Journal of Archaeology of Egypt/Egyptology. Vol. 17. No 9. 2020. P. 45–56.
3. Mohan N., Raj E. Resource allocation techniques in cloud computing-research challenges for applications. Computational Intelligence and Communication Networks, Vol. 6. 2021. P. 101–123. DOI: 10.1109/CICN.2012.177
4. Prodan R., Ostermann R. A survey and taxonomy of infrastructure as a service and web hosting cloud providers. Grid Computing. Vol. 10. 2019. P. 45–57. DOI: 10.1109/GRID.2009.5353074
5. Filimonchuk T., Volk M., Ruban I., Tkachov V. 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. DOI: https://doi.org/10.15587/1729-4061.2016.71892
6. Kumar K., Feng J., Nimmagadda Y., Lu Y. Resource allocation for real-time tasks using cloud computing. Computer Communications and Networks. Vol. 3. 2011. P. 21–30. DOI: 10.1109/ICCCN.2011.6006077
7. Гора М., Волк М. Моделі управління ресурсами для забезпечення функціональної стійкості процесу розподілених обчислень. Вісник Херсонського національного технічного університету. 2023. No 4(87). C. 244-251. DOI: https://doi.org/10.35546/kntu2078-4481.2023.4.28
8. Mamchych O., Volk M. Smartphone Based Computing Cloud and Energy Efficiency.12th International Conference on Dependable Systems, Services and Technologies (DESSERT), Athens, Greece. 2022. P.1-5, DOI: 10.1109/DESSERT58054.2022.10018740
9. Chen J., Tsai C., Lu S. Resource reallocation based on SLA requirement in cloud environment. IEEE Transactions on Services Computing, Vol. 25. 2020. P. 89–102. DOI: 10.1109/ICEBE.2015.70
10. Yang Z., Liu M., Xiu J., Liu С. Study on cloud resource allocation strategy based on particle swarm ant colony optimization algorithm. Cloud Computing and Intelligence Systems. Vol. 2. 2012. P. 67–80. DOI: 10.1109/CCIS.2012.6664453
11. Zheng X. А Pareto-based fruit fly optimization algorithm for task scheduling and resource allocation in cloud computing environment. IEEE Transactions on Services Computing. Vol. 12. 2016. P. 112–121. DOI: 10.1109/CEC.2016.7744219
12. Goutam S., Yadav A. Preemptible priority-based dynamic resource allocation in cloud computing with fault tolerance. International Journal of Communication Networks. Vol. 12. No. 3. 2015. P.67–76. DOI: 10.1109/ICCN.2015.54
13. Tseng F., Wang X., Chou L., Chao H., Leung V. Dynamic resource prediction and allocation for cloud data centre using the multi-objective genetic algorithm. IEEE Systems Journal. Vol. 12. 2018. P.1688–1699. DOI: 10.1109/JSYST.2017.2722476
14. Wei L. Genetic Algorithm Optimization of Concrete Frame Structure Based on Improved Random Forest. International Conference on Electronics and Devices, Computational Science (ICEDCS). Marseille, France. 2023. P. 249-253, DOI: 10.1109/ICEDCS60513.2023.00051
15. Коваленко А. А., Кучук Г. А. Методи синтезу інформаційної та технічної структур системи управління об’єктом критичного застосування. Сучасні інформаційні системи. 2018. Т. 2, № 1. С. 22–27. DOI: https://doi.org/10.20998/2522-9052.2018.1.04
16. Свиридов А. C., Коваленко А. А., Кучук Г. А. Метод перерозподілу пропускної здатності критичної ділянки мережі на основі удосконалення ON/OFF-моделі трафіку. Сучасні інформаційні системи. 2018. Т. 2, № 2. С. 139–144. DOI: https://doi.org/10.20998/2522-9052.2018.2.24
17. Ivanisenko I.M., Volk M.O. Simulation methods for load balancing in distributed computing. Proceedings of IEEE East-West Design & Test Symposium (EWDTS’2017), Novi Sad, Serbia, September 27 – October 2, 2017. P. 690-695. DOI: 10.1109/EWDTS.2017.8110078 Received (Надійшла) 27.02.2024
Опубліковано
2024-04-30
Як цитувати
Volk Maksym Гібридний метод розподілу ресурсів в хмарних системах / Maksym Volk, Vladyslav Kurochkin, Anton Zaporozhchenko, Papin Paronikian // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2024. – Т. 2 (76). – С. 70-73. – doi:https://doi.org/10.26906/SUNZ.2024.2.070.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
