10.14489/vkit.2024.10.pp.034-041

DOI: 10.14489/vkit.2024.10.pp.034-041

Клименко А. Б.
МЕТОД ОРГАНИЗАЦИИ ЭФФЕКТИВНЫХ ВЫЧИСЛЕНИЙ В РАСПРЕДЕЛЕННЫХ ГЕТЕРОГЕННЫХ ДИНАМИЧНЫХ ВЫЧИСЛИТЕЛЬНЫХ СРЕДАХ
(c. 34-41)

Аннотация. Возросшая в последнее время актуальность реализации распределенных вычислений в географически распределенных гетерогенных динамических вычислительных средах обусловлена как необходимостью локализации вычислений вне облачных структур, с одной стороны, так и развитием вычислительных и сетевых технологий – с другой. В связи с ограниченностью вычислительных ресурсов устройств, их автономностью, необходимо решить задачу оптимизации вычислительных процессов, реализованных распределенно. Исследование возможности повышения эффективности организации вычислений посредством распределения вычислительных ресурсов показало, что используемые в настоящее время модели сред и постановки задач оптимизации использования вычислительных ресурсов не учитывают ресурсных издержек, которые появляются в случае передачи данных между вычислительными задачами, и не учитывают накладные расходы, возникающие при решении задачи распределения ресурсов. В статье в общем виде поставлена задача многокритериальной оптимизации, где в число управляемых параметров входят расходование вычислительных ресурсов на передачу данных по транзитным устройствам и вычислительная сложность решения задачи распределения вычислительных ресурсов. Разработанный метод организации эффективных вычислений в распределенных гетерогенных динамичных вычислительных средах реализует «жадную» стратегию по выбору метаэвристических алгоритмов оптимизации, позволяющих достигать заданной точности с минимальными ресурсными издержками и возможностью улучшения полученного результата в рамках ограничений задачи распределения вычислительных ресурсов. Новизна результатов исследования заключается в новой постановке задачи распределения ресурсов и методе ее решения. Подтверждена эффективность разработанного метода, вычислительная сложность решения задачи уменьшилась не менее чем в два раза с учетом заданных требований по точности получаемого решения.

Ключевые слова: распределенные вычисления; оптимизация; вычислительные ресурсы; метаэвристики; управление вычислительными ресурсами.

Klimenko A. B.
A TECHNIQUE OF EFFICIENT COMPUTING IN DISTRIBUTED HETEROGENEOUS DYNAMIC ENVIRONMENTS
(pp. 34-41)

Abstract. Currently, the relevance of implementing distributed computing in geographically distributed heterogeneous dynamic computing environments has increased. This is due to both the need to localize computing outside of cloud structures, on the one hand, and the development of computing and network technologies, on the other. The limited computing resources of devices and their autonomy raise the issue of optimizing computing processes implemented in a distributed manner. Studying the issue of increasing the efficiency of organizing computing by distributing computing resources, it was concluded that the currently used models of environments and formulations of problems for optimizing the use of computing resources do not take into account the resource costs that appear both during data transit over the network and in the case of data transfer between computing tasks, and do not take into account the overhead costs that appear when solving the resource distribution problem. This article proposes a general formulation of the multicriterial optimization problem, where the controlled parameters include the expenditure of computing resources on data transfer through transit devices and the computational complexity of solving the problem of distributing computing resources. The developed method of organizing efficient computations in distributed heterogeneous dynamic environments implements a greedy strategy for selecting metaheuristic optimization algorithms that allow achieving a given accuracy with minimal resource costs with the possibility of improving the obtained result within the constraints of the computational resource allocation problem. The novelty of the research results lies in a new formulation of the resource allocation problem and the method for solving it. The results of the experimental study confirm the effectiveness of the developed method, allowing to reduce the computational complexity of solving the problem by 2 times, taking into account the specified requirements for the accuracy of the obtained solution.

Keywords: Distributed computing; Optimization; Computing resources; Metaheuristics; Computing resource management.

+ - Информация об авторах (About the Authors) Click to collapse

Рус

А. Б. Клименко (Институт информационных наук и технологий безопасности Российского государственного гуманитарного университета, Москва, Россия) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

Eng

A. B. Klimenko (Institute of IT and security technologies of Russian state university for humanities, Moscow, Russia) E-mail: Этот e-mail адрес защищен от спам-ботов, для его просмотра у Вас должен быть включен Javascript

+ - Библиографический список (References) Click to collapse

Рус

1. Meignan D., Koukam A., Créput J.-C. Coali-ion-Based Metaheuristic: A Self-Adaptive Metaheuristic Using Reinforcement Learning and Mimetism // J. Heuristics. 2010. V. 16, No. 6. P. 859–879.
2. Zhang X., Zhao W., Liu C., Li J. Distributed Multi-Target Search and Surveillance Mission Planning for Unmanned Aerial Vehicles in Uncertain Environ-ments // Drones. 2023. V. 7, No. 6. P. 355.
3. Zhen Z., Chen Y., Wen L., Han B. An Intel-ligent Cooperative Mission Planning Scheme of UAV Swarm in Uncertain Dynamic Environment // Aerosp. Sci. Technol. 2020. V. 100, No. 105826. P. 105826.
4. Abdel-Basset M., Mohamed R., Hezam M. I., Sallam M. K. Multiobjective Trajectory Optimization Algorithms for Solving Multi-UAV-Assisted Mobile Edge Computing Problem // J. Cloud Comput. Adv. Syst. Appl. 2024. V. 13, No. 1.
5. Testa A., Notarstefano G. Generalized Assignment for Multi-Robot Systems Via Distributed Branch-and-Price // IEEE Trans. Robot. 2022. V. 38, No. 3. P. 1990–2001.
6. Leader Federated Learning Optimization Using Deep Reinforcement Learning for Distributed Satellite Edge Intelligence / H. Zhang, H. Zhao, R. Liu et al. // IEEE Trans. Serv. Comput. 2024. P. 1–14.
7. Resource-Efficient Parallel Split Learning in Heterogeneous Edge Computing / M. Zhang, J. Cao, Y. Sahni et al. // arXiv [cs.DC]. 2024.
8. Abu-Taleb A., Hasan F.A., Zahary A. T., Al-Mqdashi A. M. Offloading Decision Making in Mobile Edge Computing: A Survey // 2nd International Conference on Emerging Smart Technologies and Applications (eSmarTA). 25–26 October 2022. lbb, Yemen. P. 1–8.
9. A Survey on Vehicular Task Offloading: Classification, Issues, and Challenges / M. Ahmed, S. Raza, M. A. Mirza et al. // J. King Saud Univ. – Comput. Inf. Sci. 2022. V. 34, No. 7. P. 4135–4162.
10. Pinedo M. L. Planning and Scheduling in Manufacturing and Services. 2nd ed. New York: Springer, 2014.
11. Bódis A., Csirik J. The Variable-Width Strip Packing Problem // Cent. Eur. J. Oper. Res. 2022. V. 30, No. 4. P. 1337–1351.
12. Барский А. Б. Параллельное программирование [Электронный ресурс]. 2-е изд., исправ. М.: Национальный открытый университет «ИНТУИТ», 2016. 346 с. URL: https://biblioclub.ru/index.php?page=book&id=578026 (дата обращения: 13.09.2024).
13. Топорков В. В. Модели распределенных вычислений. М.: Физматлит, 2004. 320с.
14. Abidoye A.P., Kabaso B. Energy-Efficient Hierarchical Routing in Wireless Sensor Networks Based on Fog Computing // EURASIP J. Wirel. Commun. Netw. 2021. V. 2021, No. 1.
15. Клименко А. Б., Баринов А. А. Метод управления вычислительными ресурсами распределенных систем на основе «жадной» стратегии и онтологии эффективных алгоритмов // Моделирование, оптимизация и информационные технологии. 2024. Т. 12, № 1(44). P. 18.

Eng

1. Meignan D., Koukam A., Créput J.-C. (2010). Coalition-Based Metaheuristic: a Self-Adaptive Metaheuristic Using Reinforcement Learning and Mimetism. Journal of Heuristics, 16(6), 859 – 879.
2. Zhang X., Zhao W., Liu C., Li J. (2023). Dis-tributed Multi-Target Search and Surveillance Mission Planning for Unmanned Aerial Vehicles in Uncertain Environments. Drones, 7(6).
3. Zhen Z., Chen Y., Wen L., Han B. (2020). An Intelligent Cooperative Mission Planning Scheme of UAV Swarm in Uncertain Dynamic Environment. Aerospace Science and Technology, 100(105826).
4. Abdel-Basset M., Mohamed R., Hezam M. I., Sallam M. K. (2024). Multiobjective Trajectory Optimization Algorithms for Solving Multi-UAV-Assisted Mobile Edge Computing Problem. Journal of Cloud Computing: Advances, Systems and Applications, 13(1).
5. Testa A., Notarstefano G. (2022). Generalized Assignment for Multi-Robot Systems Via Distributed Branch-and-Price. IEEE Transactions on Robotics, 38(3), 1990 – 2001.
6. Zhang H., Zhao H., Liu R. et al. (2024). Leader Federated Learning Optimization Using Deep Reinforcement Learning for Distributed Satellite Edge Intelligence. IEEE Transactions on Services Computing, 1 – 14.
7. Zhang M., Cao J., Sahni Y. et al. (2024). Resource-Efficient Parallel Split Learning in Heterogeneous Edge Computing. arXiv [cs.DC].
8. Abu-Taleb A., Hasan F.A., Zahary A. T., Al-Mqdashi A. M. (2022). Offloading Decision Making in Mobile Edge Computing: A Survey. 2nd International Conference on Emerging Smart Technologies and Appli-cations (eSmarTA), 1 – 8.
9. Ahmed M., Raza S., Mirza M. A. et al. (2022). A survey on vehicular task offloading: Classification, issues, and challenges. Journal of King Saud University Computer and Information Sciences, 34(7), 4135 – 4162.
10. Pinedo M. L. (2014). Planning and Scheduling in Manufacturing and Services. 2nd ed. New York: Springer.
11. Bódis A., Csirik J. (2022). The Variable-Width Strip Packing Problem. Central European Journal of Operations Research, 30(4), 1337 – 1351.
12. Barskiy A. B. (2016). Parallel programming. 2nd ed. Moscow: Natsional'niy otkrytiy universitet «IN-TUIT». Retrieved from https://biblioclub.ru/index.php?page=book&id=578026 (Accessed: 13.04.2024). [in Russian language]
13. Toporkov V. V. (2004). Distributed computing models. Moscow: Fizmatlit. [in Russian language]
14. Abidoye A.P., Kabaso B. (2021). Energy-Efficient Hierarchical Routing in Wireless Sensor Networks Based on Fog Computing. EURASIP Journal on Wireless Communications and Networking, 2021(1).
15. Klimenko A. B., Barinov A. A. (2024). A method for managing computing resources of distributed systems based on a “greedy” strategy and an ontology of efficient algorithms. Modelirovanie, optimizatsiya i informatsionnye tekhnologii, Vol. 12 44(1). [in Russian language]

+ - Заказать электронную версию статьи (Purchase digital version of a single article) Click to collapse

Рус

Статью можно приобрести в электронном виде (PDF формат).

Стоимость статьи 500 руб. (в том числе НДС 20%). После оформления заказа, в течение нескольких дней, на указанный вами e-mail придут счет и квитанция для оплаты в банке.

После поступления денег на счет издательства, вам будет выслан электронный вариант статьи.

Для заказа скопируйте doi статьи:

10.14489/vkit.2024.10.pp.034-041

и заполните форму

Отправляя форму вы даете согласие на обработку персональных данных.

Eng

This article is available in electronic format (PDF).

The cost of a single article is 500 rubles. (including VAT 20%). After you place an order within a few days, you will receive following documents to your specified e-mail: account on payment and receipt to pay in the bank.

After depositing your payment on our bank account we send you file of the article by e-mail.

To order articles please copy the article doi:

10.14489/vkit.2024.10.pp.034-041

and fill out the form