УДОСКОНАЛЕНА МОДЕЛЬ ОПТИМАЛЬНОГО ВИКОРИСТАННЯ СЕРВЕРНИХ РЕСУРСІВ КЛАСТЕРНОЇ СИСТЕМИ ВІЙСЬКОВОГО ПРИЗНАЧЕННЯ НА ОСНОВІ РІВНОВАГИ НЕША
DOI:
https://doi.org/10.17721/2519-481X/2023/79-15Ключові слова:
знаходження оптимуму, кластер, теорія ігор, рівновага Неша, нечітка логікаАнотація
У статті вирішується актуальне наукове завдання оптимізації використання серверних ресурсів кластерної системи військового призначення у процесі обробки множини клієнтських запитів. Постановка даного наукового завдання зумовлена необхідністю усунення залежності показників ефективності існуючих методів балансування навантаження кластерних систем від якості навчання, а також досить вузьким підходом аналізованих наукових досліджень до вивчення впливу властивостей верифікованості, робастності та гарантії оптимуму на кінцевий результат прийняття рішення. Проведено дослідження існуючих підходів до оптимального використання ресурсів кластерної системи. За результатами аналізу виділено методи, в основу яких покладено теоретико-ігровий науково-методичний апарат, як найбільш доцільний підхід до формального опису функціональної взаємодії серверів із клієнтськими запитами, а також як підхід, що не потребує узагальнення емпіричного досвіду (навчання).
Запропоновано модель оптимального використання ресурсів кластерної системи військового призначення, яка ґрунтується на гібридизації застосування теоретико-ігрового підходу і теорії нечіткої логіки. Суть запропонованої моделі полягає у визначенні необхідності декомпозиції ініційованого клієнтським запитом завдання на підзадачі засобами теорії нечіткої логіки з метою подальшого знаходження оптимального розподілу використання серверів кластерної системи на основі рівноваги Неша, із врахуванням узагальнюючого показника поточного рівня їх завантаженості. Отримані результати розглядаються як підґрунтя для реалізації нових адаптивних систем балансування навантаження вузлів кластерної системи, застосування яких дозволяє оптимально використовувати ресурси кластерної системи військового призначення у стійкій рівновазі.
Посилання
1. Fesokha, V.V., Neroznak, Ye.I., Sova, O.Ya. and Nesterov, O.M. (2023), “Metod adaptyvnoho balansuvannia navantazhennia v klasternykh systemakh viiskovoho pryznachennia na osnovi rivnovahy Nesha” [The method of adaptive load balancing in cluster sustems of military purposes based on Nash Equilibrium], Collection of the scientific papers of the Centre for Military and Strategic Studies of the National Defence University of Ukraine named after Ivan Cherniakhovskyi, No. 3(76), pp. 101-110. https://doi.org/10.33099/2304-2745/2022-3-76/101-110
2. Begam, G.S., Sangeetha, M. and Shanker, N.R. (2022), “Load Balancing in DCN Servers through SDN Machine Learning Algorithm”, Arabian Journal for Science and Engineering, Vol. 47, pp. 1423-1434.
3. Klots, Y.P., Stefanovytch, K.Y., Shakhoval, Y.S. and Demeshko, V.I. (2019), “Dynamichne balansuvannia trafiku mizh dekilkoma provaideramy” [Dynamic traffic balance between several providers], Herald of Khmelnytskyi national university, No. 4(275), pp. 62-67. https://www.doi.org/10.31891/2307-5732-2019-275-4-62-67
4. Naz N.S., Abbas S., Khan M.A., Abid B., Tariq N. and Khan M.F. (2019), “Efficient Load Balancing in Cloud Computing using Multi-Layered Mamdani Fuzzy Inference Expert System”, International Journal of Advanced Computer Science and Applications, Vol. 10 No. 3, pp. 569-577.
5. Yang, Y., Li, W., Gulliver, T.A. and Li, S. (2020), “Bayesian Deep learning-Based Probabilitic Load Forecasting in Smart Grids”, IEEE Transactions on Industrial Informatics, Vol. 16 No. 7, pp. 4703-4713.
6. Breiman L., Friedman J., Olsen R. and Stone C. (1984), Classification and Regression Trees, illustrated, reprint, Wadsworth International Group, CA.
7. Campesato O. (2020), Python 3 for Machine Learning, Mercury Learning and Information, Dulles, VA.
8. Li Yu., Wang S., Hong X. and Li Yo. (2018), “Multi-objective Task Scheduling Optimization in Cloud Computing based on Genetic Algorithm and Differential Evolution Algorithm”, 37th Chinese Control Conference (CCC), Wuhan, China, July 25-27, 2018, pp. 4489-4494.
9. Chen L., Wu K. and Li Y. (2014), “A Load Balancing Algorithm Based on Maximum Entropy Methods in Homogeneous Clusters”, Entropy, Vol. 16 No. 11, pp. 5677-5697.
10. Load Balancer For Always-On Application Experience - Kemp (2023), “Load Balancing Algorithms, Types and Techniques - Kemp”, available at : https://kemptechnologies.com/load-balancer/load-balancing-algorithms-techniques (accessed 7 June 2023).
11. Apache Hadoop (2022), “MapReduce Tutorial”, available at : https://hadoop.apache.org/docs/r1.2.1/mapred_tutorial.html (accessed 7 June 2023).
12. Rotshtein, O.P. (1999), “Intelektualni tekhnolohii identyfikatsii: nechitki mnozhyny, henetychni alhorytmy, neironni merezhi : monohrafia” [Intelligent identification technologies: fuzzy sets, genetic algorithms, neural networks], UNIVERSUM-Vinnytsia, Vinnytsia, 320 p.
13. Mitiushkin, Yu.I., Mokin, B.I. and Rotshtein, O.P. (2002), “Soft Computing: identyfikatsiia zakonomirnostei nechitkymy bazamy znan: monohrafiia” [Soft Computing: identification of regularities by fuzzy knowledge bases], UNIVERSUM-Vinnytsia, Vinnytsia, 145 p.
