Название статьи | РЕШЕНИЕ ЗАДАЧИ РАСПРЕДЕЛЕНИЯ ВЫЧИСЛИТЕЛЬНОЙ НАГРУЗКИ В СРЕДАХ ТУМАННЫХ ВЫЧИСЛЕНИЙ НА БАЗЕ ОНТОЛОГИЙ |
Автор | А. Б. Клименко, И. Б. Сафроненкова |
Рубрика | РАЗДЕЛ II. РАСПРЕДЕЛЕННЫЕ И ОБЛАЧНЫЕ ВЫЧИСЛЕНИЯ |
Месяц, год | 08, 2018 |
Индекс УДК | 004.75; 519.687.1 |
DOI | 10.23683/2311-3103-2018-8-83-94 |
Аннотация | Концепция туманных вычислений относительно нова, но внедряется практически повсеместно. Это связано с интенсивным ростом объемов обрабатываемых данных, поскольку используемые прежде классические, «облачные» архитектуры становятся недостаточными в условиях Интернета Вещей. Задача распределения вычислительной нагрузки в гетерогенной вычислительной среде не нова и решалась неоднократно. Однако, известные модели задачи, как правило, не учитывают особенностей сред туманных вычислений, таких, как: – неравноправность вычислительных узлов; – обязательное участие облачного слоя в решении вычислительных задач. Данная статья акцентирует внимание на формальной постановке задаче распределения вычислительной нагрузки с учетом особенностей среды туманных вычислений в случае применения стратегии «разгрузки» устройств. В этом случае предполагается переразмещение части графа задач на некоем подмножестве вычислительных устройств туманного слоя. К постановке задачи распределения вычислительной нагрузки в гетерогенной среде добавляется ограничение, свойственное среде туманных вычислений. Задача является многокритериальной, с многими ограничениями, определяемыми спецификой проектируемой системы, и потому относится к классу np-сложных, что ставит вопрос о получении качественных решений в ограниченные временные сроки. В данной статье предлагается подход на базе уменьшения пространства поиска для сформулированной задачи оптимизации путем усечения множества кандидатов вычислительных устройств. Для этого используется онтологический подход: разработана структура онтологии, позволяющей классифицировать переразмещаемый подграф относительно имеющихся ресурсов. На основе разработанной онтологии сформированы правила, применяемые к выбору узлов-кандидатов для размещения подграфа задач, что в итоге позволяет значительно сократить пространство поиска решений. |
Ключевые слова | Распределение вычислительной нагрузки; туманные вычисления; распределенные вычисления; Интернет Вещей; онтология; задача оптимизации. |
Библиографический список | 1. Chiang M. and Zhang T. Fog and IoT: An Overview of Research Opportunities // IEEE Internet of Things Journal. – 2016. – P. 854-864. Doi: 10.1109/JIOT.2016.2584538.
2. Bonomi F. et al. Fog Computing and Its Role in the Internet of Things // Proceedings of the first edition of the MCC workshop on Mobile cloud computing. – 2012. – P. 13-16. Doi: 10.1145/2342509.2342513. 3. Moysiadis V., Sarigiannidis P. and Moscholios I. Towards Distributed Data Management in Fog Computing // Wireless Communications and Mobile Computing. – 2018. Doi: 10.1155/2018/7597686. 4. Pinedo M. L. Scheduling: Theory, algorithms, and systems, fifth edition // Scheduling: Theory, Algorithms, and Systems, Fifth Edition. – 2016. Doi: 10.1007/978-3-319-26580-3. 5. Конвей Р.В., Максвелл В.Л., Миллер Л.В. Теория расписаний. – М.: Наука, 1975. – 360 c. 6. Барский А.Б. Параллельные процессы в вычислительных системах: планирование и организация. – М.: Радио и связь, 1990. – 256 с. 7. Хорошевский В.Г. Архитектура вычислительных систем. – М.: Изд-во МГТУ имени Н.Э. Баумана. 2008. – 520 c. 8. Гончар Д.Р., Фуругян М.Г. Эффективные алгоритмы планирования вычислений в многопроцессорных системах реального времени // УБС. – 2014. – № 49. – URL: https://cyberleninka.ru/article/n/effektivnye-algoritmy-planirovaniya-vychisleniy-v-mnogoprotsessornyh-sistemah-realnogo-vremeni (дата обращения: 19.11.2018). 9. Костенко В.А. Задачи синтеза архитектур: формализация, особенности и возможности различных методов для их решения // Программные системы и инструменты: Тематический сборник. – 2000. – № 1. – М.: МАКС Пресс. – C. 31-41. 10. Cisco, Affiliates, and/or its affiliates. Fog Computing and the Internet of Things: Extend the Cloud to Where the Things Are. – 2015. Available at: https://www.cisco.com/c/dam/en_us/ solutions/trends/iot/docs/computing-overview.pdf (дата обращения: 19.11.2018). 11. Wang Y., Uehara T. and Sasaki R. Fog computing: Issues and challenges in security and forensics // in Proceedings - International Computer Software and Applications Conference. – 2015. – P. 53-59. Doi: 10.1109/COMPSAC.2015.173. 12. Noy N., McGuinness D. Ontology development 101: a guide to creating your first ontology. stanford knowledge systems laboratory Technical report KSL-01–05 and Stanford Medical Informatics Technical report SMI-2001-0880. – 2001. 13. Гаврилова Т.А., Кудрявцев Д.В., Муромцев Д.И. Инженерия знаний. Модели и методы: учебник. – СПб.: Лань, 2016. – 324 с. – Режим доступа: https://e.lanbook.com/book/81565. 14. Melnik E.V., Klimenko A B. and Ivanov D.Y. Distributed Information and Control system reliability enhancement by fog-computing concept application // in IOP Conference Series: Materials Science and Engineering. – 2018. Doi: 10.1088/1757-899X/327/2/022070. 15. Melnik E.V. and Klimenko A.B. Informational and control system configuration generation problem with load-balancing optimization // in Application of Information and Communication Technologies, AICT 2016 - Conference Proceedings. – 2017. Doi: 10.1109/ICAICT.2016.7991750. 16. Klimenko A.B., Ivanov D. and Melnik E.V. The configuration generation problem for the informational and control systems with the performance redundancy // in 2016 2nd International Conference on Industrial Engineering, Applications and Manufacturing, ICIEAM 2016 - Proceedings. – 2016. Doi: 10.1109/ICIEAM.2016.7910901. 17. David Linthicum. Edge computing vs. fog computing: Definitions and enterprise uses // CISCO. – URL: https://www.cisco.com/c/en/us/solutions/enterprise-networks/edge-computing.html. 18. Ingber L. Very fast simulated re-annealing // Mathematical and Computer Modelling. – 1989. – No. 12 (8). – P. 967-973. Doi: 10.1016/0895-7177(89)90202-1. 19. Dorigo M., Maniezzo V. and Colorni A. Ant system: Optimization by a colony of cooperating agents // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics. – 1996. Doi: 10.1109/3477.484436. 20. Iba H. and Aranha C.C. Introduction to genetic algorithms // Adaptation, Learning, and Optimization. – 2012. Doi: 10.1007/978-3-642-27648-4_1. 21. Goldberg D.E. and Holland J.H. Genetic Algorithms and Machine Learning // Machine Learning. – 1988. Doi: 10.1023/A:1022602019183. 22. Холод И.И. Метод определения возможностей параллельного выполнения функций алгоритмов анализа данных // Программные продукты и системы. – 2018. – № 2. – С. 268-274. 23. Холод И.И., Каршиев З.А. Метод построения параллельных алгоритмов интеллектуального анализа данных из потоконезависимых функциональных блоков // Известия СПбГЭТУ «ЛЭТИ». – 2013. – № 8. – C. 38-45 24. Холод И.И. Модели и методы построения параллельных алгоритмов анализа распределенных данных: дисс. … д-ра техн. наук. – СПб., 2018. 25. Каляев И.А., Гайдук А.Р., Капустян С.Г. Самоорганизация в мультиагентных системах // Известия ЮФУ. Технические науки. – 2010. – № 3 (104). – С. 14-20. |