Предсказательный метод распределения ресурсов в вычислительных системах на основе многокритериальной модели принятия решений
Ключевые слова:
вычислительная система, методы распределения ресурсов, Парето-оптимальность, многокритериальный выбор, прогнозирование нагрузки, статистические данныеАннотация
Современные вычислительные системы функционируют, как правило, в условиях гетерогенности и переменной нагрузки. Важным инструментом обеспечения высоких показателей функционирования (например, производительность, надежность, устойчивость) является эффективное распределение вычислительных ресурсов. В связи с этим актуальной проблемой является разработка методов распределения задач, позволяющих улучшать несколько показателей одновременно. Предлагаемый в работе подход представляет собой расширение предсказательного метода распределения ресурсов. Это осуществляется за счет введения многокритериальной модели принятия решений, включающей прогнозное время выполнения, текущую загрузку узлов и достоверность прогноза, оцениваемую по статистике расхождений фактических и прогнозных значений. Объект исследования – вычислительные системы с неоднородными узлами, обрабатывающими потоки задач переменной сложности. Предмет исследования – модели и алгоритмы предсказательного распределения вычислительных ресурсов на основе многокритериального принятия решений. Цель исследования – повышение эффективности и устойчивости функционирования гетерогенных вычислительных систем за счет использования более обоснованного механизма выбора узла на основе совокупности критериев. Выполнен обзор существующих динамических и предсказательных методов распределения, выявлены их преимущества, недостатки и ограничения по эффективному применению. Разработана многокритериальная модель принятия решений, реализующая построение множества Парето-оптимальных решений и процедуру арбитража. Проведено программное моделирование в различных сценариях функционирования системы, включая условия со сниженной достоверностью статистики. Результаты исследования показали, что предлагаемый предсказательный метод на основе многокритериального принятия решений обеспечивает снижение среднего времени выполнения задач и повышение равномерности нагрузки узлов по сравнению с известными подходами. Полученные результаты предлагается использовать при построении гетерогенных вычислительных систем с адаптивными системами управления ресурсами.
Литература
2. Coleman J., Bhaskar K. PISA: An Adversarial Approach to Comparing Task Graph Scheduling Algorithms // IEEE International Parallel and Distributed Processing Symposium. 2025. pp. 54–66. DOI: 10.1109/IPDPS64566.2025.00014.
3. Topcuoglu H., Hariri S., Wu M-Y. Performance-effective and low-complexity task scheduling for heterogeneous computing // IEEE Transactions on Parallel and Distributed Systems. 2002. vol. 13. no. 3. pp. 260–274. DOI: 10.1109/71.993206.
4. Shim H. A demand-centered scheduling framework for shared supercomputing resources: modeling, metrics, and case insights // Scientific Reports. 2025. vol. 15. DOI: 10.1038/s41598-025-02353-9.
5. Свиридкин Д.О., Скороходов В.А. О задаче размещения потребителей в сетях с распределением потока. I. NP-полнота // Известия высших учебных заведений. Северо-Кавказский регион. Естественные науки. 2017. № 3-1(195-1). С. 36–41. DOI: 10.23683/0321-3005-2017-3-1-36-41.
6. Moly M.-I., Hossain Md.-A., Lecturer S., Roy O. Load Balancing Approach and Algorithm in Cloud Computing Environment // American Journal of Engineering Research (AJER). 2019. vol. 8. no. 04. pp. 99–105.
7. Клименко А.Б. Математическая модель и эвристические методы организации распределенных вычислений в системах интернета вещей // Компьютерные исследования и моделирование. 2025. Т. 17. № 5. C. 851–870. DOI: 10.20537/2076-7633-2025-17-5-851-870.
8. Wijaya C., Wiryasaputra R., Huang C.-Y., Tanato J., Yang C.-T. Load Balancing Algorithm in a Software-Defined Network Environment with Round Robin and Least Connections. Smart Grid and Internet of Things // 7th EAI International Conference. SGIoT. 2023. vol. 557. pp. 148–157. DOI: 10.1007/978-3-031-55976-1_15.
9. Albalawi N.-S. Dynamic scheduling strategies for cloud-based load balancing in parallel and distributed systems // J Cloud Comp. 2025. vol. 14. DOI: 10.1186/s13677-025-00757-6.
10. Sana M.-U., Li. Z. Efficiency aware scheduling techniques in cloud computing: a descriptive literature review // PeerJ Computer Science. 2021. vol. 7. DOI: 10.7717/peerj-cs.509.
11. Alfahid A., Lhioui C., Asklany S., et al. Peer-driven task scheduling and resource allocation for enhanced performance in industrial IoT systems // Scientific Reports. 2025. vol. 15. DOI: 10.1038/s41598-025-98910-3.
12. Li Y., Zhang Z., Ding Z. Optimization scheduling of microgrid cluster based on improved moth-flame algorithm // Energy Inform. 2024. vol. 7. DOI: 10.1186/s42162-024-00418-z.
13. Грибова В.В., Шалфеева Е.А., Филаретов В.Ф., Зуев А.В., Юхимец Д.А. Метод интеллектуального планирования миссий автономных подводных аппаратов // Информатика и автоматизация. 2025. Т. 24. № 5. С. 1257–1283. DOI: 10.15622/ia.24.5.1.
14. Писковский В.О., Лычева Е.О., Могиленец В.М. Прогнозирование временных характеристик прикладных сетевых сервисов // Вестник Московского университета. Серия № 15. Вычислительная математика и кибернетика. 2025. № 3. С. 62–73. DOI: 10.55959/MSU/0137–0782–15–2025–49–3–62–73.
15. Ламановский М.Н., Лавров Д.Н. Балансировка нагрузки облачных вычислений // Математические структуры и моделирование. 2024. № 2(70). С. 87–99. DOI: 10.24147/2222-8772.2024.2.87-99.
16. Клименко А.Б. Ресурсно-ориентированная технология организации информационного процесса распределения вычислительных ресурсов при интеграции концепций Интернета вещей и краевых вычислений // Моделирование, оптимизация и информационные технологии. 2025. № 13(3). URL: https://moitvivt.ru/ru/journal/pdf?id=2038. DOI: 10.26102/2310-6018/2025.50.3.045.
17. Sanjalawe Y., Al-Emari S., Fraihat S., et al. AI-driven job scheduling in cloud computing: a comprehensive review // Artificial Intelligence Review. 2025. vol. 58. DOI: 10.1007/s10462-025-11208-8.
18. Klimenko A., Elmekeev M. Case study of Lamarckian and Baldwin Evolution Principles Application to the Computations Planning in Resource-Constrained Ad-Hoc Networks // 18th International Conference on Management of Large-Scale System Development (MLSD). 2025. pp. 1–6. DOI: 10.1109/MLSD65526.2025.11220680.
19. Трушкин Е.С., Фрейман В.И. Предсказательный метод распределения ресурсов в вычислительных системах // Информационные технологии и вычислительные системы. 2026. № 1. С. 133–144. DOI: 10.14357/20718632260112.
20. Кулешов С.В., Зайцева А.А., Шальнев И.О. Подход к реализации распределенной системы виртуальных машин для самоорганизующихся сетей // Информационно-управляющие системы. 2019. № 5. С. 30–37. DOI: 10.31799/1684-8853- 2019-5-30-37.
21. Дубинин Р.С., Темников Д.О. Методы балансировки нагрузки между микросервисами в облачной среде // Международный научно-исследовательский журнал. 2025. № 8(158). DOI: 10.60797/IRJ.2025.158.27.
22. Клейман Л.А. Методика принятия решений в задаче диагностики элементов информационно-управляющих систем // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2021. № 38. С. 90–109. DOI: 10.15593/2224-9397/2021.2.05.
23. Barrera-Garcia J., Cisternas-Caneo F., et al. Feature Selection Problem and Metaheuristics: A Systematic Literature Review about Its Formulation, Evaluation and Applications // MDPI Biomimetics. 2024. vol. 9. no. 1. DOI: 10.3390/biomimetics9010009.
24. Idrissi A., Alaoui A. A Multi-Criteria Decision Method in the DBSCAN Algorithm for Better Clustering // International Journal of Advanced Computer Science and Applications (IJACSA). 2016. vol. 7 no. 2. pp. 377–384. DOI: 10.14569/IJACSA.2016.070252.
25. Helfrich S., Herzel A., Ruzika S., et al. Using scalarizations for the approximation of multiobjective optimization problems: towards a general theory // Math Meth Oper Res. 2023. vol. 100. pp. 27–63. DOI: 10.1007/s00186-023-00823-2.
26. Dehnad P., Bidgoli A.-A., Rahnamayan S. Beyond the Pareto Front: Utilizing the Entire Population for Decision-Making in Evolutionary Machine Learning // Mathematics. 2025. vol. 13. no. 16. DOI: 10.3390/math13162579.
27. Колесников В.Л., Бракович А.И., Жук Я.А. Решение многокритериальных задач, оптимальных по Парето // Труды БГТУ. Физико-математические науки и информатика. 2014. № 6. URL: https://cyberleninka.ru/article/n/reshenie-mnogokriterialnyh-zadach-optimalnyh-po-pareto (дата обращения: 29.10.2025).
28. Подиновский В.В., Ногин В.Д. Парето-оптимальные решения многокритериальных задач: 2-е изд., испр. и доп. М.: ФИЗМАТЛИТ. 2007. 256 с.
29. Menzies T., Saint-Hilary G., Mozgunov P. A comparison of various aggregation functions in multi-criteria decision analysis for drug benefit–risk assessment // Statistical Methods in Medical Research. 2022. vol. 31. no. 5. pp. 899–916. DOI: 10.1177/09622802211072512.
30. Yang F., Li X., Liu Q., Li X., Li Z. Learning-Based Hierarchical Decision-Making Framework for Automatic Driving in Incompletely Connected Traffic Scenarios // MDPI Sensors. 2024. vol. 24. no. 8. DOI: 10.3390/s24082592.
31. Chen S., Liu J., et al. A linguistic multi-criteria decision making approach based on logical reasoning // Information Sciences. 2014. vol. 258. pp. 266–276. DOI: 10.1016/j.ins.2013.08.040.
32. Hullermeier E., Słowinski R. Preference learning and multiple criteria decision aiding: differences, commonalities, and synergies – part II // 4OR. 2024. vol. 22. pp. 313–349. DOI: 10.1007/s10288-023-00561-5.
33. Трушкин Е.С., Гаврилов А.В., Фрейман В.И. Математическое и имитационное моделирование для оценки производительности коммуникационных устройств вычислительных, информационно-управляющих и телекоммуникационных систем // Вестник Пермского национального исследовательского политехнического университета. Электротехника, информационные технологии, системы управления. 2025. № 53. С. 129–156. DOI: 10.15593/2224-9397/2025.1.07.
A Predictive Method of Resource Allocation in Computing Systems Based on a Multicriteria Decision-Making Model
Abstract
Modern computing systems typically operate under heterogeneous and variable load conditions. Efficient distribution of computing resources is an important tool for ensuring high performance (e.g., productivity, reliability, stability). Therefore, developing task distribution methods that can simultaneously improve several metrics is a pressing issue. The approach proposed in this paper is an extension of the predictive resource allocation method. This is achieved through the introduction of a multi-criteria decision-making model that includes the predicted execution time, the current node load, and the reliability of the forecast, assessed by the statistics of discrepancies between actual and predicted values. The object of this study is computing systems with heterogeneous nodes processing task flows of variable complexity. The subject of this study is the models and algorithms for predictive distribution of computing resources based on multi-criteria decision making. The objective of the study is to improve the efficiency and stability of heterogeneous computing systems by using a more substantiated mechanism for node selection based on a set of criteria. A review of existing dynamic and predictive distribution methods is provided, and their advantages, disadvantages, and limitations for effective application are identified. A multi-criteria decision-making model was developed that implements the construction of a set of Pareto-optimal solutions and an arbitration procedure. Software simulations were conducted under various system operating scenarios, including conditions with reduced statistical reliability. The results of the study showed that the proposed predictive method based on multi-criteria decision-making reduces the average task execution time and improves node load uniformity compared to known approaches. These results are proposed for use in the construction of heterogeneous computing systems with adaptive resource management systems.
Опубликован
Как цитировать
Раздел
Copyright (c) Владимир Исаакович Фрейман, Егор Сергеевич Трушкин
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями: Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале. Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале. Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).