ОПТИМІЗАЦІЯ ВИКОРИСТАННЯ РЕСУРСІВ У ГЕТЕРОГЕННИХ ГРІД -СИСТЕМАХ З НЕСТАЦІОНАРНИМ ВХІДНИМ ПОТОКОМ

Authors

  • Viacheslav Radchenko
  • Yuliia Andrusenko

DOI:

https://doi.org/10.26906/SUNZ.2026.1.035

Keywords:

грід-система, гетерогенність, нестаціонарність, балансування навантаження, розподіл ресурсів, обчислювальний вузол

Abstract

Актуальність дослідження зумовлена зростанням масштабів використання гетерогенних грід-систем для виконання обчислювально складних задач в умовах динамічного та нестаціонарного вхідного потоку. Різнорідність обчислювальних ресурсів і нерівномірність навантаження призводять до зниження ефективності використання обчислювальної інфраструктури та потребують застосування адаптивних методів балансування навантаження. Метою роботи є підвищення ефективності використання ресурсів гетерогенних грід-систем шляхом розробки та дослідження алгоритмів балансування навантаження на основі імітаційного моделювання в умовах нестаціонарного вхідного потоку задач. Об’єктом дослідження є процеси управління та розподілу обчислювальних ресурсів у гетерогенних грід-системах. Предметом дослідження є методи та алгоритми балансування навантаження й оптимізації використання ресурсів гетерогенних грід-систем з нестаціонарним вхідним потоком задач на основі імітаційного моделювання. Результати. У роботі розроблено імітаційну модель гетерогенної грід-системи, що враховує різнорідність обчислювальних вузлів та змінну інтенсивність надходження задач. Проведено експериментальні дослідження ефективності алгоритмів балансування навантаження у нормальному та піковому режимах роботи системи. Висновок. Отримані результати показали зменшення середнього часу очікування виконання задач, підвищення рівномірності завантаження ресурсів та зростання загальної пропускної здатності системи. Напрямами подальших досліджень є розширення імітаційної моделі з урахуванням пріоритетності задач, обмежень якості обслуговування (QoS), енергоспоживання обчислювальних вузлів, а також застосування інтелектуальних і прогнозних методів балансування навантаження у гетерогенних розподілених обчислювальних середовищах.

Downloads

Download data is not yet available.

References

1. Radchenko, V. and Andrusenko Yu. (2025), “Intelligent approach to planning taking into accountthe concept of acceptable work balance”, Control, Navigation and Communication Systems, Vol. 4, No. 82 (2025), pp. 121–125, doi: https://doi.org/10.26906/SUNZ.2025.4.121

2. Hung, P.T., Truong, M.D.D., Hung, P.D. (2022). Tuning Proximal Policy Optimization Algorithm in Maze Solving with MLAgents. In: Singh, M., Tyagi, V., (eds) Advances in Computing and Data Sciences. ICACDS 2022. Communications in Computer and Information Science, vol 1614. Springer, doi: https://doi.org/10.1007/978-3-031-12641-3_21

3. Jothi, G., and Saravanan, P. (2017), “A New Algorithm to Find the Optimal Feasible Assignment for an Assignment Problem”, Int. journal of engineering research & technology, vol. 5, issue 04, doi: https://doi.org/10.17577/IJERTCONV5IS04013

4. Tan, M. & Le, Q. V. Efficientnetv2: Smaller models and faster training. ArXiv (Cornell University), Preprint arXiv:2104.00298, 2021. DOI: https://doi.org/10.48550/arXiv.2104.00298

5. Kuchuk, H. and Malokhvii, E. (2024), “Integration of IOT with Cloud, Fog, and Edge Computing: A Review”, Advanced Information Systems, vol. 8(2), pp. 65–78, doi: https://doi.org/10.20998/2522-9052.2024.2.08

6. Kristensen, J.T., Valdivia, A. and Burelli, P. (2020), “Estimating player completion rate in mobile puzzle games using reinforcement learning”, Proc. of the IEEE Conference Computational Intelligence and Games, pp. 636–639, doi: https://doi.org/10.1109/CoG47356.2020.9231581

7. Zhu, W. and Rosendo, A. (2021), “A functional clipping approach for policy optimization algorithms”. IEEE Access, vol. 9, pp. 96056–96063, doi: https://doi.org/10.1109/ACCESS.2021.3094566

8. Barabash, O., Bandurka, O., Svynchuk, O. & Tverdenko, H. Method of identification of tree species composition of forests on the basis of geographic information database. Advanced Information Systems, 2022, vol. 6, no. 4, pp 5-10. DOI: https://doi.org/10.20998/2522-9052.2022.4.01

9. Yaloveha, V., Podorozhniak, A. & Kuchuk, H. CNN hyperparameter optimization applied to land cover classification. Radioelectronic and computer systems, 2022, no. 1 (101), pp. 115-128. DOI: https://doi.org/10.32620/reks.2022.1.09

10. He, K., Zhang, X., Ren, S. & Sun, J. Deep residual learning for image recognition. Proceedings of the IEEE conference on computer vision and pattern recognition, 2016, pp. 770-778. DOI: https://doi.org/10.1109/CVPR.2016.90

11. Singh, U., Dey, M., and Patel, P. (2025), “Enabling Grid Stability: Harnessing μPMU Data for Data-Driven Analysis of Grid Frequency Event”, Smart Innovation Systems and Technologies, 422, pp. 99–112, doi: https://doi.org/10.1007/978-981-96-0147-9_9

12. Sharma, R., Goel, A.K., Sharma, M.K., Dhiman, N., Mishra, V.N. (2023), “Modified Round Robin CPU Scheduling: A Fuzzy Logic-Based Approach”, Lecture Notes in Operations Research,, Part F3787, pp. 367–383, doi: https://doi.org/10.1007/978-981-19-8012-1_24

Downloads

Published

2026-02-13

Most read articles by the same author(s)