Математическое и программное обеспечение процессов динамической балансировки нагрузки в распределенных облачных вычислениях тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Ходар Алмосана Ахмад

• Ходар Алмосана Ахмад
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Ходар Алмосана Ахмад

Введение

Глава 1 Анализ существующих методов и алгоритмов балансировки нагрузки в облачных вычислениях

1.1 Современное состояние проблемы балансировки нагрузки в облачных вычислениях

1.1.1 Концепция, архитектура и метрики балансировки нагрузки

1.1.2 Степень разработанности проблемы балансировки нагрузки в облачных вычислениях

1.2 Проблема распределения ресурсов в облачных вычислениях

1.2.1 Понятие технологии виртуализации и миграции ресурсов

1.2.2 Основные подходы к распределению ресурсов в соответствии с их задачами

1.3 Проблема планирования задач в облачных вычислениях

1.3.1 Маршрут пользовательских запросов в облачных вычислениях

1.3.2 Анализ алгоритмов планирования задач в облачных вычислениях

1.4 Постановка задач исследования

Глава 2 Математическое и алгоритмическое обеспечение процесса распределения ресурсовв облачных вычислениях

2.1 Общая схема модели балансировки нагрузки в облачной среде

2.1.1 Фазы предложенной модели балансировки нагрузки

2.1.2 Архитектура предложенной модели балансировки нагрузки

2.1.3 Модель распределения ресурсов в центрах обработки данных

2.2 Математическая модель распределения виртуальных машин на физические ресурсы в облачных вычислениях

2.2.1 Математическая модель балансировки нагрузки в системе

2.2.2 Математическая модель использования виртуальных машин и стоимости

миграции

2.3 Алгоритм оптимального распределения виртуальных ресурсов с использованием генетического алгоритма

2.3.1 Основные этапы реализации генетического алгоритма в облачной среде

2.3.2 Метод кодирования и инициализация популяции

2.3.3 Целевая функция и стратегия выбора

2.3.4 Механизм кроссовера и операция мутации

2.4 Анализ поведения реализованного алгоритма

2.5 Выводы

Глава 3 Математическое и алгоритмическое обеспечение процесса планирования задач в облачных вычислениях

3.1 Предложенная модель планирования задач в облачной среде

3.1.1 Фаза переговоров по соглашению об уровне обслуживания

3.1.2 Фаза планирования задач

3.1.3 Агент брокера обслуживания

3.2 Математическая модель планирования задач в облачных вычислениях

3.2.1 Общее время выполнения задач и передачи данных

3.2.2 Общая стоимость выполнения задач и передачи данных

3.3 Алгоритм оптимального планирования задач на виртуальные машины на основе алгоритма оптимизации роя частиц ОРЧ

3.3.1 Алгоритм оптимизации роя частиц ОРЧ

3.3.2 Формулировка алгоритма ОРЧ для планирования задач

3.3.3 Реализация алгоритма ОРЧ для планирования задач

3.3.4 Трассировка алгоритма ОРЧ для планирования задач

3.4 Выводы

Глава 4 Информационное и программное обеспечение процесса балансировки нагрузкив облачных вычислениях

4.1 Взаимодействие структурных компонентов комплексного программного обеспечения

4.1.1 Сведения об используемой библиотеке и программной платформе

4.1.2 Структура комплексного программного обеспечения

и функциональное назначение

4.1.3 Взаимосвязь программных классов комплексного программного обеспечения

4.2 Модуль распределения виртуальных машин на физические ресурсы М_РАС

4.2.1 Взаимосвязь программных классов модуля М_РАС

4.2.2 Эксперименты и анализ результатов модуля распределения ресурсов

4.3 Модуль планирования задач М_ПЛАН

4.3.1 Взаимосвязь программных классов модуля М_ПЛАН

4.3.2 Эксперименты и анализ результатов модуля планирования задач

4.4 Эксперименты и анализ результатов комплексного программного обеспечения

4.5 Выводы

Заключение

Список терминов, сокращений и условных обозначений

Список литературы

ПРИЛОЖЕНИЕ А

ПРИЛОЖЕНИЕ В

Введение диссертации (часть автореферата) на тему «Математическое и программное обеспечение процессов динамической балансировки нагрузки в распределенных облачных вычислениях»

Введение

Актуальность темы. В настоящее время облачные вычисления являются новой концепцией, которая эффективно объединяет многие области вычислительной техники. Облачные вычисления предлагают пользователям несколько онлайн-сервисов таких, как хранение, мощность процессов, базы данных, виртуальные серверы с минимальными затратами и минимальным потреблением энергии. Пользователи могут легко получить доступ к этим услугам из любого места и в любое время через интернет. Пользователи платят только за те ресурсы, которые они использовали. Облачные вычисления хранят данные и распределенные ресурсы в открытой среде, и объем хранения данных очень быстро увеличивается.

В связи с увеличением количества приложений, нагрузка на облако также увеличивается. Балансировка нагрузки является основной проблемой в среде облачных сетей. Основной целью балансировки нагрузки является эффективное использование ресурсов и повышение производительности. Наряду с этим она удаляет узлы, которые содержат большую нагрузку, а также узлы, которые не работают должным образом или выполняют небольшую задачу.

В большинстве алгоритмов распределения нагрузки задачи распределяются по виртуальным машинам до их назначения хостам. Поэтому большинство методов балансировки нагрузки разрабатываются таким образом, что используются два последовательных уровня. На первом уровне виртуальные машины назначаются подходящим физическим машинам в соответствии с их требованиями (распределение ресурсов), на втором уровне задачи планируются для соответствующих виртуальных машин (планирование задач). Это исследование будет направлено на улучшение балансировки нагрузки на обоих уровнях.

Методы и алгоритмы балансировки нагрузки в облачной среде в реальном времени исследовались в работах Р.И. Хантимирова, А.А. Микрюкова, А.Н. Волокиты, А.Д. Никитюк, И.В. Бойченко, С.В. Корытникова и других. Однако следует отметить, что проблемам распределения ресурсов, планирования задач и

5

учета затрат, необходимых для получения оптимальной балансировки нагрузки, уделяется недостаточно внимания.

В качестве базовых критериев, связанных с повышением эффективности балансировки облачной нагрузки в реальном времени, можно выделить следующие: минимизация издержек перемещения ресурсов и издержек выполнения задачи, максимизация скорости передачи и выполнения задачи. Под качеством (эффективностью) балансировки в работе понимается интегральный критерий, включающий в себя существенные параметры работы системы.

Таким образом, актуальность темы диссертационной работы обусловлена необходимостью повышения эффективности балансировки нагрузки в системах облачных вычислений на основе оптимизации распределения ресурсов и планирования задач приложений для минимизации издержек работы системы.

Тематика диссертационной работы соответствует научному направлению ФГБОУ ВО «Воронежский государственный университет» «Математическое моделирование, программное и информационное обеспечение, методы вычислительной и прикладной математики и их применение к фундаментальным исследованиям в естественных науках».

Цель и задачи исследования. Цель работы заключается в повышении качества балансировки нагрузки в облачных системах, ускорении времени выполнения задач и сокращении расходов обработки на основе разработки математических моделей и алгоритмов оптимизации распределения ресурсов и планирования задач приложений в ре-альном времени.

Для достижения цели в работе необходимо решить следующие задачи:

- проанализировать существующие алгоритмы балансировки нагрузки;

- разработать математическую модель динамического распределения виртуальных ресурсов на физические машины в облачных вычислениях;

- создать алгоритм оптимального распределения новых виртуальных ресурсов с использованием генетического алгоритма для повышения качества балансировки нагрузки;

- разработать многокритериальную математическую модель оптимизации планирования задач в облачных вычислениях с учетом параметров канала между пользователем и центром обработки данных;

- предложить алгоритм оптимального распределения задач на виртуальные машины с точки зрения общего времени выполнения;

- создать программный модуль эффективного распределения ресурсов с реализацией универсальных механизмов встраивания в облачные системы;

- провести численные эксперименты для анализа эффективности использования разработанного математического и программного обеспечения процесса балансировки нагрузки.

Объект исследования: процессы балансировки нагрузки в облачных вычислениях в реальном времени.

Предмет исследования: математическое и программное обеспечение процессов распределения ресурсов и планирования задач приложений для повышения качества балансировки нагрузки в облачных системах.

Методы исследования. В качестве теоретической и методологической основы диссертационного исследования использованы методы теории системного анализа, методы теории математического моделирования, методы теории алгоритмов, теории веро-ятностей, а также методы объектно-ориентрованного программирования.

Тематика работы соответствует пункту паспорта специальности 05.13.11: п.8 «Модели и методы создания программ и программных систем для параллельной и распределенной обработки данных, языки и инструментальные средства параллельного программирования».

Научная новизна. В диссертации получены следующие результаты, характеризующиеся научной новизной:

1. Математическая модель динамического распределения виртуальных ресурсов на физические машины в облачных вычислениях, обеспечивающая учет предыдущего состояния нагрузки системы и влияния появления нового ресурса на баланс нагрузки в системе и отличающаяся использованием коэффициента регулировки нагрузки для достижения балансировки.

2. Генетический алгоритм оптимального распределения новых виртуальных ресурсов, отличающийся реализацией древовидной структуры хромосом с сохранением высоконагруженных узлов, обеспечивающий повышение качества балансировки нагрузки и уменьшение динамического перемещения ресурсов.

3. Многокритериальная оптимизационная математическая модель планирования задач в облачных вычислениях, обеспечивающая минимизацию времени передачи задач, времени выполнения и издержек выполнения, отличающаяся учетом параметров канала между пользователем и центром обработки данных.

4. Алгоритм оптимального распределения задач на виртуальные машины, отличающийся применением процедуры оптимизации роя частиц и обеспечивающий нахождение оптимального решения не только с точки зрения издержек, но и с точки зрения общего времен выполнения.

5. Структура программного комплекса распределения ресурсов, отличающаяся реализацией универсальных механизмов встраивания в облачные системы за счет моделирования процессов облачных вычислений, контроля сетевых переменных и центров обработки данных.

Практическая значимость исследования заключается в разработке математического и программного обеспечения процессов балансировки нагрузки в облачных вычислениях на основе оптимизации распределения ресурсов и

планирования задач приложений в реальном времени. Разработанные в работе модели и алгоритмы могут быть использованы для встраивания в уже существующие облачные системы для повышения качества обслуживания клиентов, их удовлетворенности и снижения расходов обработки. На элементы программных средств получены свидетельства о государственной регистрации.

На защиту выносятся следующие научные положения:

1. Формализация описания методов балансировки нагрузки в облачных вычислениях позволяет осуществить оптимизацию распределения ресурсов и планирование задач приложений.

2. Генетический алгоритм распределения виртуальных ресурсов на физические ресурсы обеспечивает повышение качества балансировки нагрузки в системе и снижение издержек перемещения ресурсов.

3. Математическая модель планирования задач на основе оптимизации роя частиц позволяет ускорить выполнение задач и сократить издержки обработки.

4. Структура информационного взаимодействия компонентов программного обеспечения делает возможным реализацию универсальных механизмов встраивания в облачные системы.

Реализация и внедрение результатов работы. Основные теоретические результаты работы внедрены в учебный процесс Воронежского государственного университета в рамках дисциплин «Распределенные системы вычислений», «Системы и сети передачи информации» на кафедре информационных систем факультета компьютерных наук.

Апробация результатов диссертационного исследования. Основные положения диссертационной работы докладывались и обсуждались на следующих конференциях: IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (St. Petersburg, 2018); IEEE International Russian Automation Conference «RusAutoCon» (Sochi, 2019); International Conference Cyber-Physical Systems and Control «CPS&C'2019» (St. Petersburg, 2019); IEEE Conference of Russian

Young Researchers in Electrical and Electronic Engineering (St. Petersburg, 2020); VI, VII, VIII международных научных конференциях иностранных студентов «Студенческая наука как ресурс инновационного потенциала развития» (Воронеж, 2017, 2018, 2019); Преподавательской научной конференции факультета компьютерных наук (Воронеж, 2017, 2020); XXIII международной научно-практической конференции «Системный анализ в проектировании и управлении» (Санкт-Петербург, 2019); XVIII международной научно-методической конференции «Информатика: проблемы, методология, технологии» (Воронеж, 2018); IV международной научной конференции «Технологическая перспектива в рамках евразийского пространства: новые рынки и точки экономическог ороста» (Санкт-Петербург, 2018); XIX международной научно-методической конференции «Информатика: проблемы, методология, технологии IPMT-2019» (Воронеж, 2019).

Достоверность результатов обусловлена корректным использованием теоретических методов исследования и подтверждена результатами вычислительных экспериментов и внедрения.

Публикации. По результатам диссертационного исследования опубликовано 20 научных работ, отражающих основные положения исследования, в т.ч. 3 статьи в журналах, рекомендованных ВАК РФ, 5 статей в журналах, индексируемых в международной базе цитирования Scopus, и одно свидетельство о государственной регистрации программы для ЭВМ.

В работах, опубликованных в соавторстве и приведенных в конце автореферата, лично автором получены следующие результаты: [1, 7, 17, 19] -разработка модели для улучшения планирования задач в облачных вычислениях на основе оптимизации роя частиц; [3, 6, 9, 13] - разработка подхода к планированию ресурсов виртуальных машин в облачных вычислениях с использованием генетического алгоритма; [5, 8, 18, 20] - моделирование и анализ балансировки нагрузки в облачных вычислениях; [2, 4, 10, 12] - анализ производительности алгоритмов брокера обслуживания в облачных вычислениях; [11, 14, 15, 16] -

структура информационного взаимодействия компонентов программного обеспечения.

Объем и структура работы. Диссертация состоит из введения, четырех глав, заключения, двух приложений и терминологического словаря. Список использованной литературы содержит 131 наименование. Основная часть работы изложена на 124 страницах машинописного текста, включает 40 рисунков и 12 таблиц.

Глава 1 Анализ существующих методов и алгоритмов балансировки нагрузки в

облачных вычислениях

Облачные вычисления — это мощная технология, с ее помощью пользователь может получить программное обеспечение, приложение, операционную систему и аппаратное обеспечение в качестве услуги, фактически не имея ее и оплачивая только в соответствии с использованием [63,10]. В среде облачных вычислений ресурсы, такие как центральный процессор и хранилище, предоставляются в качестве общих утилит, к которым пользователи могут обращаться и воспользоваться ими через Интернет по запросу. Облачные вычисления позволяют предприятиям начинать с меньших ресурсов и наращивать их только в случае роста спроса на услуги. Эти ресурсы предоставляются клиентам в виде виртуальных машин (ВМ) посредством процесса, известного как виртуализация, который использует объект (программное обеспечение, оборудование или оба), известный как супервизор [79].

Наибольшим преимуществом облачных вычислений является то, что однопользовательская физическая машина превращается в многопользовательские виртуальные машины [88, 16]. Провайдер облачных услуг (ПОУ) играет важную роль в предоставлении услуг пользователям и представляет собой сложную задачу с учетом доступных виртуальных ресурсов. Многие компании пытаются реализовать и внедрить облачные технологии из-за их простой и гибкой архитектуры. Они часто используются организациями, которые включают сайты социальных сетей, онлайн-приложения, онлайн-тестирование программного обеспечения. Такие компании, как Google, Amazon и Microsoft, в значительной степени используют облачные вычисления и все еще работают над тем, чтобы обеспечить своих пользователей надежными, мощными и эффективными облачными платформами.

1.1 Современное состояние проблемы балансировки нагрузки в облачных

вычислениях

1.1.1 Концепция, архитектура и метрики балансировки нагрузки

Балансировка нагрузки — это процесс распределения нагрузки между различными ресурсами в любой системе [66]. Таким образом, нагрузка должна распределяться по ресурсам в облачной архитектуре, чтобы каждый ресурс выполнял практически одинаковый объем работы в любой момент времени. Основным требованием является предоставление некоторых методов для балансировки запросов, чтобы обеспечить быстрый ответ на запрос. Облачные балансировщики нагрузки управляют онлайн-трафиком, автоматически распределяя нагрузки между несколькими серверами и ресурсами.

Балансировка нагрузки — это общий термин, используемый для распределения большей вычислительной нагрузки на более мелкие узлы обработки для повышения общей производительности системы и улучшения как использования ресурсов, так и времени отклика задания. Идеальный алгоритм балансировки нагрузки должен избегать перегрузки или недогрузки какого-либо конкретного узла. В среде облачных вычислений выбор алгоритма балансировки нагрузки является непростым, поскольку он включает в себя дополнительные ограничения, такие как безопасность, надежность, пропускная способность и т. д. [14-15].

В большинстве методов балансировки нагрузки задачи планируются на виртуальные машины до их назначения хостам. Благодаря виртуализации облачные вычисления могут обращаться с одной и той же физической инфраструктурой к большой клиентской базе с различными вычислительными потребностями [77]. Поэтому большинство методов балансировки нагрузки разрабатываются таким образом, что задействованы два последовательных уровня (как показано на рисунке 1.1):

- на первом уровне виртуальные машины назначаются подходящим физическим машинам в соответствии с их требованиями,

- на втором уровне задачи планируются на соответствующие виртуальные машины. Это исследование будет направлено на улучшение балансировки нагрузки на обоих уровнях.

Полы овя тел н

Задачи

Виртуальные машины

Физические машины

Рисунок 1.1 - Двухуровневая архитектура механизма балансировки нагрузки в

облачных вычислениях

В частности, на первом уровне выделение виртуальной машины относится к процессу выбора, какая виртуальная машина должна быть сопоставлена с заданным набором физических машин в центре обработки данных. Планирование задач на втором уровне может быть определено как процесс поиска оптимального отображения набора задач по доступному набору виртуальных ресурсов для удовлетворения заранее определенных конкретных целей.

I

г

Второй уровень Баланса

( планирование задач)

<

V

Г

Первый уровень Баланса

(распределение ресурсов )

<

V

И □ © ф Н ф

\Х\Л

ж

Л \/

- ФМ1 1 У . ФМ: фмз

Планирование и распределение задач между виртуальными машинами на основе их требований составляют рабочую нагрузку облачных вычислений, поэтому балансировка нагрузки включает в себя следующие действия [35]:

- Определение требований к задачам: на этом этапе определяется потребность в ресурсах для пользовательских задач, которые должны быть запланированы для выполнения на ВМ.

- Идентификация деталей ресурсов виртуальной машины: проверяется состояние ресурсов виртуальной машины. Это дает текущее использование ресурсов ВМ и нераспределенных ресурсов. На основании этой фазы состояние ВМ может быть определено как сбалансированное, перегруженное или недогруженное по отношению к порогу.

- Планирование задач: после того, как детали ресурсов ВМ идентифицированы, задачи планируются для присвоения ресурсов подходящим ВМ с помощью алгоритма планирования.

- Распределение ресурсов: ресурсы распределяются по запланированным задачам для выполнения. Для этого используется политика распределения ресурсов. В литературе [108, 117] предложено большое количество методов и алгоритмов планирования и распределения. Если для ускорения выполнения требуется планирование, то политика распределения используется для правильного управления ресурсами и повышения производительности ресурсов.

- Миграция: является важной фазой в процессе балансировки нагрузки. В среде облака бывает два вида миграции в зависимости от сущности: миграция виртуальной машины и миграция задач. Миграция виртуальной машины — это перемещение виртуальной машины с одного физического хоста на другой с целью избавления от проблемы перегрузки. Аналогично, миграция задач — это перемещение задач между виртуальными машинами. Эффективная техника миграции приводит к эффективной балансировке нагрузки[39].

Существующие алгоритмы балансировки нагрузки в облаках учитывают различные метрики, но самыми основными метриками балансировки нагрузки в облачных вычислениях являются следующие [80, 105, 123].

• Производительность— используется для проверки эффективности системы. Она должна быть улучшена по оптимальным затратам, например сократить время отклика при сохранении приемлемых задержек.

• Использование ресурсов: используется для проверки использования ресурсов. Оно должно быть оптимизировано для эффективного распределения нагрузки.

• Масштабируемость — способность алгоритма выполнять балансировку нагрузки системы с любым конечным числом узлов. Этот показатель должен быть улучшен.

• Время отклика — количество времени, которое требуется, чтобы ответить определенным алгоритмом балансировки нагрузки в распределенной системе. Этот параметр должен быть сведен к минимуму.

• Отказоустойчивость — способность алгоритма выполнять равномерную балансировку нагрузки, несмотря на произвольный отказ узла или канала. Балансировка нагрузки должна обладать хорошей отказоустойчивой способностью.

• Время миграции — это время переноса задач или ресурсов с одного узла на другой. Оно должно быть сведено к минимуму, чтобы повысить производительность системы.

• Потребление энергии — определяет потребление энергии всеми ресурсами в системе. Балансировка нагрузки помогает избежать перегрева благодаря балансировке рабочей нагрузки по всем узлам облака, что снижает потребление энергии.

1.1.2 Степень разработанности проблемы балансировки нагрузки в облачных

вычислениях

Балансировка нагрузки в среде облачных вычислений оказывает существенное влияние на производительность, поэтому хорошая балансировка нагрузки делает облачные вычисления более эффективными и повышает удовлетворенность пользователей. Балансировка нагрузки в облачных средах — это механизм, который равномерно распределяет избыточную динамическую локальную рабочую нагрузку по всем узлам, гарантируя, что ни один узел не перегружен. Алгоритмы балансировки нагрузки, в общем, можно разделить на две категории: алгоритмы статической и динамической балансировки нагрузки[118].

A. Статическая балансировка нагрузки (СБН)

В алгоритмах статической балансировки нагрузки выполнение процессоров определяется в начале выполнения алгоритма, оно не зависит от текущего состояния системы. Целью статической балансировки нагрузки является уменьшение общего времени выполнения синхронной программы при минимизации задержек связи. Эти алгоритмы в основном подходят для однородных и стабильных сред и могут давать лучшие результаты. Некоторые из примеров алгоритмов статической балансировки нагрузки: рандомизированный алгоритм, алгоритм Round Robin и алгоритм Threshold[100].

B. Динамическая балансировка нагрузки (ДБН)

В алгоритме динамической балансировки нагрузки решения по балансировке нагрузки основаны на текущем состоянии системы, предварительные знания не требуются. Основным преимуществом динамической балансировки нагрузки является то, что в случае сбоя одного узла система не будет остановлена и это повлияет только на производительность системы. Эти алгоритмы более устойчивы, чем статические, легко адаптируются к изменениям и обеспечивают лучшие

результаты в гетерогенных и динамических средах. Динамический балансировщик нагрузки использует прогнозирование для отслеживания обновленной информации [121].

В исследованиях Миркин А.Л. [27, 28] представлен алгоритм динамического управления нагрузкой для эффективного распределения всего входящего запроса между виртуальными машинами (ВМ). Нагрузка управляется сервером путем тщательного рассмотрения текущего состояния существующих ВМ для распределения запросов на все свободные ВМ. Свободные ВМ будут использоваться при назначении запросов и будут принимать больше запросов, которые являются динамическими по своей природе. Следовательно, сокращается время отклика по сравнению с алгоритмом (VM_Assign) [33]. Результаты эксперимента показали, что этот алгоритм имеет минимальное время отклика и правильное использование ресурсов с помощью инструмента Cloud Analyst и проверили его производительность при различных распределениях нагрузки.

В исследованиях Полежаева П.Н. [36, 37] авторы сосредоточились на двухуровневой системе распределения задач по трехуровневой облачной архитектуре. Они изучили использование гибридного алгоритма планирования задач, который сочетает в себе два обычно используемых метода планирования, Мин-Мин (ММ) и Оппортунистическая балансировка нагрузки (ОБН), для создания алгоритма гибридного алгоритма Мин-Мин сбалансированной нагрузки (ММБН). Концепция алгоритма планирования ММБН состоит в том, чтобы распределить задачу между каждым диспетчером служб на несколько подзадач, которые должны быть выполнены в подходящем узле службы. ММБН учитывает время выполнения каждой подзадачи на каждом узле обслуживания. Каждая подзадача будет вычисляться по времени выполнения на разных узлах службы через агента. Согласно сбору информации агентом, каждый менеджер сервиса выбирает узел сервиса с кратчайшим временем исполнения для выполнения различных подзадач и записывает его в массив Мт-tirne. Наконец, записывается минимальный массив

каждой подзадачи, который представляет собой набор минимального времени выполнения на определенных узлах обслуживания. Это приводит к более эффективному выполнению и поддерживает балансировку нагрузки системных узлов.

Исследователь Петров Д.Л. [34] предложил алгоритм балансировки нагрузки (ВАТ), сокращающий интервал времени отклика и выполняющий балансировку нагрузки без какой-либо задержки по времени. Это также помогает эффективно распределять нагрузку на несколько виртуальных машин.

По словам Хантимирова Р.И. [46,47,48], производительность алгоритмов, которые были реализованы для балансировки нагрузки в облачных вычислениях, не соответствовала требованиям облачных сред. Таким образом, они будут внедрять изменения в алгоритмы, такие как алгоритм экспоненциального плавного прогноза, алгоритм (Weighted Least Connection) и Макс-Мин алгоритм балансировки нагрузки, и улучшать их производительность, чтобы удовлетворить требования балансировки нагрузки в облачных вычислениях и повысить производительность облака.

В исследовании Jyoti Yadav [91] предложенный метод скрещивания называется алгоритмом ОБН. Этот алгоритм относится к категории Статическая балансировка нагрузки (СБН). Оппортунистический алгоритм балансировки нагрузки делает каждый узел занятым, и он не включает текущую рабочую нагрузку узлов. ОБН назначает неисполненные задачи доступному узлу в произвольном порядке. ОБН простой алгоритм, но не вычисляет интервал времени выполнения узла, поэтому время завершения очень медленное.

Алгоритм балансировки нагрузки с учетом отказоустойчивости в облачных вычислениях был предложен в исследованиях Gayathri G. и Latha R. [82,83]. Этот алгоритм разработан для поддержания уровня отказоустойчивости служб, работающих внутри виртуальных машин. Виртуальные машины могут перенести с перегруженного хоста на самый легкий, сохранив отказоустойчивые требования всех сервисов. Кроме того, на основе миграции виртуальных машин можно увеличить

использование оборудования, энергосбережение, доступность, безопасность и масштабируемость, не нарушая работу пользовательских приложений на виртуальных машинах [104]. Моделирование показывает, что алгоритм работает хорошо и сохраняет стабильность, гарантируя отказоустойчивые требования всех сервисов при балансировке нагрузки путем миграции виртуальных машин.

Список литературы диссертационного исследования кандидат наук Ходар Алмосана Ахмад, 2020 год

СПИСОК ЛИТЕРАТУРЫ

1. Алгазинов Э.К. Анализ производительности алгоритмов брокера обслуживания в облачных вычислениях/ Э.К. Алгазинов, Е.Н. Десятирикова, A.A. Ходар // Технологическая перспектива в рамках евразийского пространства: новые рынки и точки экономического роста: сб. тр. VI Междунар. науч. конф. - СПб., 2018.

- С. 334 -341.

2. Батищев Д.И. Генетические алгоритмы решения экстремальных задач: учеб.пособие / Д.И. Батищев. - Воронеж: ВГТУ, 1995. - 65 с

3. Батищев Д.И. Применение генетических алгоритмов к решению задач дискретной оптимизации [Электронный ресурс]/ Д.И. Батищев, Е.А. Неймарк, Н.В. Старостин // 2007. 85 с. URL: http://www.unn.ru/pages/e-library/aids/2007/15.pdf (дата обращения: 15.09.2014).

4. Бахтизин В.В. Выбор модели жизненного цикла разработки программных средств и систем на основе сводной таблицы критериев классификации проекта/ В.В Бахтизин, Л.А. Глухова // Доклады Белорусского государственного университета информатики и радиоэлектроники. 2005. № 1. C. 110-113.

5. Богатырёв М.Ю. Генетические алгоритмы: принципы работы, моделирование, применение: учеб.пособие / М.Ю. Богатырёв. - Тула: ТГУ, 2003. -152 c.

6. Болодурина И.П. Исследование методов размещения и организации распределенного доступа к данным облачного хранилища системы дистанционного обучения/ И.П. Болодурина, Д.И. Парфёнов // Параллельные вычислительные технологии (ПаВТ'2013): тр.Междунар. науч. конф. Челябинск: Издательский центр ЮУрГУ, 2013. - С. 301-308 с.

7. Воробьев С.П. Исследование эффективности генетического алгоритма размещения фрагментов базы данных / С.П. Воробьев, В.В. Горобец // Наука, Техника, Инновации 2014: сб. ст. Междунар. науч.-техн. конф. - Брянск: НДМ, 2014.

- С. 202-204.

8. Гладков Л.А. Генетические алгоритмы: учеб.пособие / Л.А. Гладков, В.В. Курейчик, В.М. Курейчик. - 2-е изд. - М.: Физматлит, 2010. - 367 с.

9. Гладков Л.А. Биоинспирированные методы в оптимизации: учеб.пособие/ Л.А. Гладков, В.В. Курейчик, Павел Сороколетов. -изд. М.: Физматлит, 2009. 381 с.

10. Горобец В.В. Современная биллинговая OLTP-система на базе технологии Cloud Computing / В.В. Горобец // LAP LAMBERT Academic Publishing: AV Akademikerverlag GmbH & Co. KG, 2013. - 171 с.

11. Гудман Э.Д. Эволюционные вычисления и генетические алгоритмы. Обозрение прикладной и промышленной математики / Э.Д. Гудман, А.П. Коваленко//Фундаментальная и прикладная математика.1966. - Т. 3. Вып. 5. 760 с.

12. Десятирикова Е.Н. Scheduling approach for virtual machine resources in a cloud computing/ Е.Н. Десятирикова, A.A. Ходар, У.Ж. Алькади // «Информатика: проблемы, методология, технологии» (IPMT-2019): сб. тр. Х1ХМеждунар. науч.конф. - Воронеж, 2019. - С. 1285 -1291.

13. Десятирикова Е.Н. Информационные технологии обработки больших данных в цифровой экономике/ Е.Н. Десятирикова, A.A. Ходар, У.Ж. Алькади // Системный анализ в проектировании и управлении: сб. тр. XXIII Междунар. науч. конф. - СПб., 2019. - С. 295 -302.

14. Ильин Д.Ю. Выбор технологических решений для разработки программного обеспечения распределенных информационных систем / Д.Ю. Ильин, Е.В. Никульчев, П.В. Колясников // Современные информационные технологии и ИТ-образование. - 2018. - Т. 14. - № 2. - С. 344-354.

15. Ильин Д.Ю. Проведение воспроизводимых экспериментов по оценке эффективности работы компонентов программного обеспечения / Д.Ю. Ильин, А.А. Гусев // Прикладные исследования и технологии ART 2019: сб. тр. регион.конф. — М.: МТИ, 2019. — С. 54-56.

16. Колясников П.В. Повышение эффективности виртуального рабочего окружения распределенной разработки программ/ П.В. Колясников, И.Н. Силаков,

Д.Ю.Ильин // Современные информационные технологии и ИТ-образование. — 2019. — Т. 15.— № 1. С. 74-80.

17. Копысов С.П. Динамическая балансировка нагрузки для параллельного распределенного МДО/ С.П. Копысов; под ред. Л.Н. Королева // Методы и средства обработки информации. - М.: МГУ, 2003. - С. 222-227.

18. Копысов С.П. Параллельные алгоритмы адаптивного перестроения и разделения неструктурированных сеток / С.П. Копысов, А.К. Новиков // Математическое моделирование. - 2002. - Т. 14. № 9. - С. 91-96.

19. Корнилина М.А. Динамическая балансировка загрузки процессоров при моделировании задач горения/ М.А. Корнилина, М.В. Якобовский // Высокопроизводительные вычисления и их приложения: материалы Всерос. науч. конф. - М.: МГУ, 2000. - С. 34-38.

20. Кочетов Ю.А. Генетический локальный поиск и сложность аппроксимации задачи балансировки нагрузки на серверы/ Ю.А. Кочетов, А.А. Панин, А.В. Плясунов // Автоматика и телемеханика. 2017. № 3. С. 51-62.

21. Курейчик В.М. Генетические алгоритмы и их применение: учеб.пособие / В.М. Курейчик.- Таганрог: Изд-во ТРТУ, 2002. - 244 с.

22. Курейчик В.М. Методы генетического поиска: учеб. пособие / В.М. Курейчик. — Таганрог: Изд-во ТРТУ, 1998.Ч. 1. - 118 с.

23. Курейчик В.М. Эволюционные вычисления: генетическое и эволюционное программирование / В.М. Курейчик, С.И. Родзин // Новости искусственного интеллекта. - 2003. - № 5. - С. 13-19

24. Ластовецкий А.Л. Язык и система программирования для высокопроизводительных параллельных вычислений на неоднородных сетях/ А.Л. Ластовецкий, А.Я. Калинов, И.Н. Ледовских // Программирование. - 2000. - №4. - С. 55-80.

25. Лобанов П.Г. Методы оптимизации генетических алгоритмов для построения конечных автоматов / П.Г. Лобанов // Сборник тезисов V Всероссийской

межвузовской конференции молодых ученых. - СПб.: СПбГУ ИТМО, 2008. - С. 1718

26. Микрюков А.А. Задача первоначального выделения ресурсов в облачных средах на основе метода анализа иерархий / А.А. Микрюков, Р.И. Хантимиров // Экономика, статистика, информатика. Вестник УМО. - 2015. - №4. - С. 184-187.

27. Миркин А.Л. Балансировка нагрузки между несколькими компьютерами при помощи миграции виртуальных серверов в режиме реального времени/ А.Л. Миркин // Современные проблемы фундаментальных и прикладных наук. Долгопрудный: МФТИ, 2008. - Т. 2.Ч. VII.- С. 38-40.

28. Миркин А.Л. Модель миграции виртуальных серверов в режиме реального времени с предварительной итерационной передачей памяти/ А.Л. Миркин // Современные проблемы фундаментальных и прикладных наук. - Долгопрудный: МФТИ, 2007. -Ч. VII. С. 55-57.

29. Норенков И.П. Эвристики и их комбинации в генетических методах дискретной оптимизации / И.П. Норенков // Информационные технологии. - 1999. -№ 1. - С. 2-7.

30. Окольнишников В.В. Разработка системы распределенного имитационного моделирования / В.В. Окольнишников // Информационные технологии. 2006.-№ 12.-С. 28-31.

31. Паклин Н. Непрерывные генетические алгоритмы - математический аппарат [Электронный ресурс] / Н. Паклин // Технологии анализа данных. - Режим доступа: http://www.basegroup.ru/library/optimization/ real_coded_ga/, свободный. -Загл. с экрана (дата обращения: 12.03.2011)

32. Панченко Т.В. Генетические алгоритмы: учеб.-метод. пособие /Т.В. Панченко; под ред. Ю.Ю. Тарасевича. - Астрахань: Издательский дом «Астраханский университет», 2007. 87с.

33. Парфёнов Д.И. Сравнение эффективности алгоритмов динамического распределения данных в облачных хранилищах системы дистанционного обучения/

Д.И. Парфёнов // Системы управления и информационные технологии.2012. № 4.1(50). - С. 163-168.

34. Петров Д.Л. Оптимальный алгоритм миграции данных в масштабируемых облачных хранилищах/ Д.Л. Петров // Управление большими системами. 2010. - №. 30. - С.180-197.

35. Плотников А.А. Применение генетических алгоритмов комбинирования эвристик и метода роя частиц в задачах построения оптимального расписания/ А.А. Плотников, И.Н. Блок // Автоматизированные системы и информационные технологии: сб. тр. Рос.науч.-практ. конф. Новосибирск: Изд-во Новосибирского государственного технического ун-та, 2011. С. 180-189.

36. Модельное исследование эффективного планирования задач для облачных вычислительных систем/ П.Н. Полежаев, А.Е. Шухман, Ю.А. Ушаков, Л.В. Легашев, В.Н. Тарасов// Интеллект. Инновации. Инвестиции.2013. № 4. - С. 140145.

37. Полежаев П.Н. Математическая модель распределенного вычислительного центра обработки данных с программно-конфигурируемыми сетями его сегментов / П.Н. Полежаев // Вестник «Оренбургского государственного университета». 2013. -№5(154). - С. 198-204.

38. Полежаев П.Н. Об эффективности алгоритмов планирования задач управления потоками данных облачных гридсистем / П.Н. Полежаев // Вестник «Оренбургского государственного университета». 2014. - №3(164). - С. 168-172.

39. Посыпкин М.А. О понятии ускорения и эффективности в распределенных системах / М.А. Посыпкин, А.С. Хританков // Научный сервис в сети Интернет: решение больших задач:тр. Всерос. науч. конф. -М.: Изд-во МГУ, 2008. - С. 149-155.

40. Рутковская Д. Нейронные сети, генетические алгоритмы и нечеткие системы: учеб.пособие / Д. Рутковская, М.Пилиньский.2-е изд, Горячая линия-Телеком, 2013. - 384 с.

41. Смелянский Р.Л. Среда моделирования DYANA: синтез, анализ и оптимизация вычислительных систем реального времени / Р.Л. Смелянский, А.Г. Бахмуров, В.А. Костенко//Цифровая обработка сигналов и ее применения: сб. докл. 1-й Междунар. конф. М.:МЦНТИ, 1998.-Т. 4.-С. 152.

42. Тарнавский Г.А. Облачные вычисления: контент, инфраструктура и технологии организации информационных потоков Центра компьютерного моделирования SciShop.ru / Г.А. Тарнавский // Исследовано в России. - 2010. - Т. 13. № 1. - С. 1-29.

43. Титов Д.В. Анализ подходов к улучшению результатов работы генетического алгоритма при решении однородной минимаксной задачи/ Д.В. Титов, В.Г. Кобак // Проблемы информатики в образовании, управлении, экономике и технике: сб. ст. VIII Всерос. науч.-техн. конф. Пенза: пдз, 2008. С. 76 - 78.

44. Титов Д.В. Модификация генетического алгоритма распределения для четного количества однородных приборов/ Д.В. Титов // Изв. вузов. Сев. -Кавк. регион. Техн. науки. 2010. № 1. С. 3 - 6.

45. Третьякова Е.С. Оптимизация реактивной мощности на основе генетического алгоритма/ Е.С. Третьякова, В.З. Манусов // Главный энергетик. 2015. № 1. С. 26-29.

46. Хантимиров Р.И. Интеллектуальное планирование ресурсов в облачных средах на основе модели «инфраструктура как сервис» / Р.И. Хантимиров // Инновационное развитие российской экономики. М., 2013. - С.507-512.

47. Хантимиров Р.И. Модель распределения ресурсов в процессе функционирования облачной среды / Р.И. Хантимиров, А.А. Микрюков // Открытое образование. 2015. №5. - С.44-48.

48. Хантимиров Р.И. Прогнозирование нагрузки в облачной среде с использованием нейросетей, обучаемых системой искусственного иммунитета / Р.И. Хантимиров, А.А. Микрюков// Нейрокомпьютеры. 2015. №5. С. 1-4

49. Разработка модели для улучшения планирования задач в облачных вычислениях на основе оптимизации роя частиц/ A.A. Ходар, Э.К. Алгазинов, Е.Н. Десятирикова, И. Алхаят // Вестник Воронежского государственного технического университета. - 2019. - Т. 15. № 5. - С.23-29.

50. Ходар A.A. Разработка подхода к планированию ресурсов виртуальных машин в облачных вычислениях с использованием генетического алгоритма/ A.A. Ходар, Э.К. Алгазинов, Е.Н. Десятирикова // Вестник РГУПС. - 2019. - № 4. - С. 101-109.

51. Балансировка нагрузки в облачных вычислениях/ A.A. Ходар, Е.Н. Десятирикова, У. Алькади, И. Алхаят // Вестник ВГУ. Серия: Системный анализ и информационные технологии. - 2017. - № 3. - С.103-109.

52. Ходар АА. The improvement of results in online reservation systems using data mining methods/ АА. Ходар, У.Ж. Алькади, Е.Н. Десятирикова // Информатика: проблемы, методология, технологии: сб. тр. XVIII Междунар. науч. конф. -Воронеж, 2018. - С. 8-12.

53. Ходар АА. Load Balancing in Cloud Computing Using Genetic Algorithm/ АА. Ходар, Е.Н. Десятирикова // Информатика: проблемы, методология, технологии: сб. тр. XVIII Междунар. науч. конф. - Воронеж, 2018. - С. 3-7.

54. Ходар АА. Математическая модель балансировки нагрузки/ АА. Ходар, Е.Н. Десятирикова // Студенческая наука как ресурс инновационного потенциала развития: сб. тр. VIII Междунар. науч. конф. - Воронеж, 2019. - С. 135-137.

55. Ходар А. A. Современные проблемы в облачных вычислениях/ А. A. Ходар, Е.Н. Десятирикова // Студенческая наука как ресурс инновационного потенциала развития: сб. тр. VI Междунар. науч. конф. - Воронеж, 2017. - С. 143-146.

56. Ходар АА. Средства моделирования в облачных вычислениях/ АА. Ходар, Е.Н. Десятирикова // Студенческая наука как ресурс инновационного потенциала развития: VIIмеждунар. науч. конф. иностранных студентов. - Воронеж, 2018. - С. 145-149.

57. Ходар А.А. Технологии облачных вычислений/ А.А. Ходар, Е.Н. Десятирикова // Студенческая наука как ресурс инновационного потенциала развития: сб. тр. VI Междунар. науч. конф. - Воронеж, 2017. - С. 140-144.

58. Ходар А. А., Десятирикова Е.Н., Алхаят И.М. Программа для оптимизации балансировки нагрузки с использованием генетического алгоритма. - Свидетельство о государственной регистрации программы для ЭВМ. М.: ФИПС, 2019. №2019667473 от 17.12.2019.

59. Ходар А.А. Моделирование ианализ балансировки нагрузки в облачных вычислениях/ А.А. Ходар, У.Ж. Алькади, Е.Н. Десятирикова // Студенческая научная конференция факультета компьютерных наук: сб. тр. Междунар. науч. конф. -Воронеж, 2017. - С. 377-383.

60. Хританков А.С. Модели и алгоритмы распределения нагрузки. Модель коллектива вычислителей. Модели с соперником/ А.С. Хританков// Информационные технологии и вычислительные системы. 2009. №2.С.65-80.

61. Хританков А.С. Оценка характеристик производительности распределенных вычислительных систем / А.С. Хританков// Ломоносов:тр. XV науч. конф. студентов, аспирантов и молодых ученых. СПбГУ ИТМО, 2008. - С. 53-54.

62. Шилов С.Н. Анализ статистических показателей системы распределения нагрузки в DNS кластере / С.Н. Шилов// Информационные технологии моделирования и управления. 2014.- № 4(88).- С. 341-347.

63. Aarti Singh. Autonomous Agent Based Load Balancing Algorithm in Cloud Computing/ Aarti Singh, Dimple Juneja, Manisha Malhotra // International Conference on Advanced Computing Technologies and Applications (1САСТА-2015).-С. 140-144.

64. Albert Y. Zomaya. Observations on Using Genetic Algorithms for Dynamic Load Balancing/Albert Y. Zomaya, Senior and Yee-Hwei// IEEE Transactions on Parallel and Distributed Systems.2001. Vol. 12. No. 9. P.106-109.

65. AmazonEC2 InstanceTypes [Электронныйресурс]: офиц.сайт. -Режимдоступа: https://aws.amazon.com/ec2/instance-types/?nc1=h_ls/. - Загл. с экрана (дата обращения: 01.04.2016).

66. Anurag Jain. Multi Stage Load Balancing Technique for Cloud Environment/Anurag Jain, Dr. Rajneesh A. Kumar // International Conference On Information Communication And Embedded System (ICICES 2016). Vol. 12. No. 9. P.106-109.

67. Honey Bees Inspired Optimization Method: The Bees Algorithm/Baris Yuce, Michael S. Packianather, Ernesto Mastrocinque, Duc Truong Pham and Alfredo Lambiase// insects 1 July 2013; Published: 6 November 2013. Vol. 14. № 56. P. 308-317.

68. Basney J. Managing Network Resources in Condor/ J. Basney, M. Livny // Proceedings of the Ninth IEEE Symposium on High Performance Distributed Computing (HPDC9), Pittsburgh, Pennsylvania, 2000. - P. 298-299.

69. Benameur L. A new hybrid particle swarm optimization algorithm for handling multiobjective problem using fuzzy clustering technique/ L. Benameur, J. Alami, & A. El Imrani // Computational Intelligence, Modelling and Simulation. 2009. Vol. 14. № 13-15.pp. 48-53.

70. Adaptive Load Balancing for MPI Programs/ M. Bhandarkar, L.V. Kale, de E. Sturler, J. Hoeflinger// Lecture Notes in Computer Science. - 2001. - № 2074. - P. 108117.

71. Buyya R. GridSim: a toolkit for the modeling and simulation of distributed resource management and scheduling for Grid computing/ R. Buyya, M. Murshed // Concurr. Comput. Pract. Exp. — USA: Wiley. 2002. Vol. 14. № 13-15. P. 1175-1220.

72. Buyya R. Modeling and simulation of scalable Cloud computing environments and the CloudSim toolkit: Challenges and opportunities/ R. Buyya, R. Ranjan, R.N. Calheiros // 2009 Int. Conf. High Perform. Comput. Simul. USA: IEEE, 2009. P. 1 -11.

73. Performance-Monitoring-Based Traffic-Aware Virtual Machine Deployment on NUMA Systems/ Y. Cheng et al. //IEEE Systems Journal. - 2015.Vol. 81. P.326-334.

74. Czarnul P. Dynamic Partitioning of the Divide-and-Conquer Scheme with Migration in PVM Environment / P. Czarnul, K. Tomko and H. Krawczyk// Lecture Notes in Computer Science. - 2001. - № 2131. - P. 174.

75. Dash M. Cost effective selection of data center in cloud environment/ M. Dash, A. Mahapatra, N.R. Chakraborty//International Journal on Advanced Computer Theory and Engineering (IJACTE). - 2013. - T. 2. - P. 2319-2526.

76. Performance Analysis of Available Service Broker Algorithms in Cloud Analyst/ E.N. Desyatirikova, A. Khodar, A.V. Rechinskiy, L.V. Chernenkaya, I. Alkhayat// Cyber-Physical Systems and Control. Lecture Notes in Networks and Systems. -2019. -Vol. 95. Springer, Cham, pp. 449-457. DOI https://doi.org/10.1007/978-3-030-34983-7_44

77. DynamicPVM: Dynamic load balancing on parallel systems/ L. Dikken, F. Linden, J. Vesseur, P. Sloot // Lecture Notes in Computer Science. -1994. - № 797. - P. 273-277.

78. Durillo J.J. A multi-objective list-based method for workflow scheduling/ J.J. Durillo, H.M. Fard, R.M. Prodan //Cloud Computing Technology and Science (CloudCom), 2012 IEEE 4th International Conference on. - IEEE, 2012. - C. 185-192

79. Anu Sharma. Load Balancing in Cloud Computing through Virtual Machine Placement/Anu Sharma, Nancy Arora// International Research Journal of Engineering and Technology (IRJET) Volume: 04 Issue: 06 | June -2017 www.irjet.net ) e-ISSN: 2395 -0056 p-ISSN: 2395-0072.

80. Fazel Mohammadi. Survey on Job Scheduling Algorithms in Cloud Computing/ Fazel Mohammadi, Dr. Shahram Jamali and Masoud Bekravi// International Journal of Emerging Trends & Technology in Computer Science (IJETTCS). Volume 3. Issue 2. March - April 2014.P. 167-173.

81. Fittkau F. CDOSim: Simulating cloud deployment options for software migration support/ F. Fittkau, S. Frey, W. Hasselbring // 2012 IEEE 6th Int. Work. Maint. Evol. Serv. Cloud Based Syst. USA: IEEE, 2012. P. 37-46.

82. Gayathri G. Implementing a Fault Tolerance Enabled Load Balancing Algorithm in the Cloud ComputingEnvironment/ G. Gayathri, R. Latha// International Journal of Engineering Development and Research (www.ijedr.org) © 2017 IJEDR | Volume 5, Issue 1 | ISSN: 2321-9939.P.987-994.

83. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing/ Y. Gao, H. Guan, Z. Qi, Y. Hou, L. Liu // Journal of Computer and System Sciences. 2009. № 79(8), P.1230-1242.

84. Gonsalves T. Parallel swarms oriented particle swarm optimization/ T. Gonsalves, A. Egashira// Applied Computational Intelligence and Soft Computing.

2013.№9. P. 14.

85. Guo L.Multi-objective task assignment in cloud computing by particle swarm optimization/ L. Guo, G. Shao, & S. Zhao // Wireless Communications, Networking and Mobile Computing (WiCOM), 2012 8th International Conference on.pp. 1-4.

86. Hu Y.F. An optimal dynamic load balancing algorithm/ Y.F. Hu, R.J. Blake, D.R. Emerson // Concurrency - Practice and Experience. 1998. Vol. 10. P. 467-483.

87. Hu Y.F. An improved diffusion algorithm for dynamic load balancing/ Y.F. Hu, R.J. Blake // Parallel Computing. 1999. Vol. 4. P. 417-444.

88. Uma J. Load Balancing Algorithms in Cloud Computing Environment A Methodical Comparison/ J. Uma, V. Ramasamy, A. Kaleeswaran// International Journal of Advanced Research in Computer Engineering & Technology (IJARCET).February

2014.Volume 3. Issue 2. p. 12.

89. Efficient VM Load Balancing Algorithm for a Cloud Computing Environment''/Jasmin James And Dr. Bhupendra Verma Et Al. // International Journal On Computer Science And Engineering (IJCSE).2015. №7.P. 1143-1149 ISSN : 0975-3397.

90. Analysis and approximation of optimal co-scheduling on chip multiprocessors / Y. Jiang et al.//Proceedings of the 17th international conference on Parallel architectures and compilation techniques. - ACM, 2008. - p. 220-229.

91. Jyoti Yadav Hybrid of Ant Colony Optimization and Gravitational Emulation Based Load Balancing Strategy in Cloud Computing/ Jyoti Yadav, Dr. Sanjay Tyagi // International Research Journal of Engineering and Technology (IRJET). July -2017. Volume: 04. Issue: 07.P. 1-5

92. Kameda H. Paradoxes in distributed decisions on optimal load balancing for networks of homogeneous computers/ H.Kameda,O. Pourtallier // Journal of the ACM (JACM). 2002.V.49.N.3. pp.407-433

93. Kattan A. Pso as a meta-search for hyper-ga system to evolve optimal agendas for sequential multi-issue negotiation/ A. Kattan, S. Fatima// Evolutionary Computation (CEC), 2012 IEEE Congress on. pp. 1-8.

94. Cloud computing-based parallel genetic algorithm for gene selection in cancer classification/ D. Keco et al. // Neural Computing and Applications. - 2018. - Volume 30. - Issue 5. - P. 1601-1610.

95. Application performance management in virtualized server environments/ G. Khanna, K. Beaty, G. Kar, A. Kochut // Network Operations and Management Symposium, 2006. NOMS 2006. 10th IEEE/IFIP.pp. 373-381.

96. Khantimirov R. Initial Resource Provisioning In Iaas Clouds Based On The Analytic Hierarchy Process // 3rd International Scientific-Practical Conference «Innovative Information Technologies». Prague, 2014. - p.45-48.

97. Khodar A. New Scheduling Approach for Virtual Machine Resources in Cloud Computing based on Genetic Algorithm/ A. Khodar, H. Al-Afare, I. Alkhayat// 2019 IEEE International Russian Automation Conference (RusAutoCon). -2019. -p. 1-5. DOI: 10.1109/RUSAUTOCON.2019.8867814

98. Design Model to Improve Task Scheduling in Cloud Computing Based on Particle Swarm/A. Khodar, E.N. Desyatirikova, H. Al-Afare, I. Alkhayat, L.V. Chemenkaya// Proceedings of the 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). —Moscow, Russia, 2020.P. 345-350.

99. Evaluation and Analysis of Service Broker Algorithms in Cloud-Analyst/ A. Khodar, E.N. Desyatirikova, F. Al-Soudani, I. Alkhayat, V.E. Mager// Proceedings of the 2020 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). —Saint Petersburg and Moscow, Russia, 2020.P. 351-355.

100. Khushbu Zalavadiya. Honey Bee Behavior Load Balancing of Tasks in Cloud Computing/ Khushbu Zalavadiya, Dinesh Vaghela// International Journal of Computer Applications (0975 - 8887). April 2016.Vol. 139. - No.1.P. 351-355.

101. Parallel asynchronous particle swarm optimization/ Koh, Byung-Il, et al. // International Journal for numerical methods in engineering 67.4. 2006. No.7.P. 578-595.

102. Kokilavani T. Load Balanced Min-Min Algorithm for Static Meta-Task Scheduling in Grid Computing/ T. Kokilavani, and Dr DI George Amalarethinam // International Journal of Computer Applications 20. 2011. No. 2. P. 43-49.

103. Lee S. A dynamic load balancing approach using genetic algorithm in distributed systems/ S. Lee, C. Hwang// Proceedings of IEEE International Conference on Evolutionary Computation. 1998. P. 639-644.

104. Li W. Modeling for Dynamic Cloud Scheduling Via Migration of Virtual Machines/ W. Li, J. Tordsson, E. Elmroth // 2011 IEEE Third Int. Conf. Cloud Comput. Technol. Sci. 2011. USA: IEEE, 2011. P. 163-171.

105. Li-Ping Z. Optimal choice of parameters for particle swarm optimization/ Z. Li-Ping, Y. Huan-Jun,& H. Shang-Xu// Journal of Zhejiang University-Science A. 2005. №6(6). P.528-534.

106. Mkatyal A. A comparative study of load balancing algorithms in cloud computing environment/ A. Mkatyal and A. Mishra // International Journal of Distributed and Cloud Computing. Dec. 2013.Vol. 1.No. 2. pp. 5-14

107. Maguluri S.T. Stochastic models of load balancing and scheduling in cloud computing clusters/ S.T. Maguluri, R. Srikant, L. Ying // INFOCOM, 2012 Proc. USA: IEEE. 2012. P. 702-710.

108. MsNitika. Comparative Analysis of Load Balancing Algorithms in Cloud Computing/ MsNitika, MsShaveta, and Mr Gaurav Raj// International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) 1. 2012. No. 3.Pp.-120.

109. Munetomo M. A stochastic genetic algorithm for dynamic load balancing in distributed systems/ M. Munetomo, Y. Takai, Y. Sato // Proceedings of IEEE International Conference on Systems, Man and Cybernetics. 1995. Vol. 4. DOI: 3795-3799. 10.1109/icsmc.1995.538379.

110. Raghava N.S. Comparative Study on Load Balancing Techniques in Cloud Computing/ N.S.Raghava and Deept Singh// Open Journal of Mobile Computing and Cloud Computing. Aug. 2014. Vol.1. No.1.

111. Nayandeep Sran. Comparative Analysis of Existing Load Balancing Techniques in Cloud Computing/ Nayandeep Sran, Navdeep Kaur// International Journal of Engineering Science Invention. 2013. Vol.2. Issue1.

112. Nguyen Xuan Phi. Load Balancing Algorithm To Improveresponse Time On Cloud Computing/ Nguyen Xuan Phi, Tran Cong Hung// International Journal on Cloud Computing: Services and Architecture (IJCCSA). December 2017. Vol. 7. No. 6.

113. Prabhjot Kaur. Efficient and Enhanced Load Balancing Algorithms in Cloud Computing/ Prabhjot Kaur and Dr. Pankaj Deep Kaur// International Journal of Grid Distribution Computing. 2015. Vol.8. No.2. pp.9-14

114. Priyank Singhal. Load Balancing Algorithm over a Distributed Cloud Network/ Priyank Singhal, Sumiran Shah, Sumiran Shah //International Journal of Advanced Research in Computer and Communication Engineering. December 2013.Vol. 2. Issue 12.

115. Rahman M. Hybrid heuristic for scheduling data analytics workflow applications in hybrid cloud environment/ M. Rahman, X. Li, H. Palit //Parallel and Distributed Processing Workshops and Phd Forum (IPDPSW), 2011 IEEE International Symposium on. - IEEE, 2011. - p. 96.

116. RajkumarSomani. A Hybrid Approach for VM Load Balancing in Cloud Using CloudSim/ Rajkumar Somani, Jyotsana Ojha // International Journal of Science, Engineering and Technology Research (IJSETR). June 2014. Volume 3. Issue 6.P.645-651.

117. Ranjan Kumar Mondal. Load Balancing with Task Subtraction of Same Nodes/ Ranjan Kumar Mondal, Debabrata Sarddar// International Journal of Computer Science and Information Technology Research ISSN 2348-120X (online). Month: October -December 2015. Vol. 3. Issue 4.Pp.162-166

118. Optimizing virtual machine scheduling in numa multicore systems/ Rao J. et al. //High Performance Computer Architecture (HPCA2013), 2013 IEEE 19th International Symposium on. - IEEE, 2013. - p. 306-317.

119. Raviteja Kanakala. Performance Analysis of Load Balancing Techniques in Cloud Computing Environment/ Raviteja Kanakala, Vuyyuru KrishnaReddy// Article in TELKOMNIKA Indonesian Journal of Electrical Engineering. March 2015. №. 3. P.3487-3495. DOI: 10.11591/telkomnika.v13i3.7237.

120. Reena Panwar. Load Balancing in Cloud Computing Using Dynamic Load Management Algorithm/ Reena Panwar, Prof. Dr. Bhawna Mallick //Interntional Conference on Green Computing and Internet of Things,IEEE 978-©2015 IEEE, 2015.

121. Seema Nagar. A Comparative Study on Load Balancing Algorithms in Cloud Computing/ Seema Nagar, Ajeet KR Bhartee// International Journal of Computer Science Trends and Technology (IJCST). Jul-Aug 2015. - Volume 3. Issue 4.P.145

122. Shabnam Sharma. An Optimal Load Balancing Technique for Cloud Computing Environment using Bat Algorithm/ Shabnam Sharma, Ashish Kr. Luhach and Sinha Sheik Abdhullah// Indian Journal of Science and Technology.July 2016. Vol 9(28).P.746-752. DOI: 10.17485/ijst/2016/v9i28/98384

123. ShinyS. A Review of Load Balancing In Cloud Computing/ S. Shiny// IOSR Journal of Computer Engineering (IOSR -JCE) e-ISSN: 2278-0661. p- ISSN: 2278-8727 Nov. - Dec. 2013.Vol.15. Issue 2.Pp. 22-29.

124. Shreedhar. Efficient Fair Queuing Using Deficit Round-Robin/ Shreedhar and George Varghese // Networking, IEEE/ACM Transactions on 4. 1996.No. 3. P. 375-385.

125. Srinivas M. Adaptive probabilities of crossover and mutation in genetic algorithms/ M. Srinivas, L. Patnaink// IEEE Transactions on Systems and Cybernetics. -1994.- P. 656-667.

126. Topcuoglu H. Performance-effective and low-complexity task scheduling for heterogeneous computing/ H. Topcuoglu, S. Hariri, M. Wu//IEEE transactions on parallel and distributed systems. - 2002. - T. 13. - №. 3. - C. 260-274.

127. Tushar Desai. A Survey of Various Load Balancing Techniques and Challenges in Cloud Computing/ Tushar Desai, Jignesh Prajapati// International Journal of Scientific & Technology Research. Nov.2013.Vol.2. Iss.11. pp.158 -161.

128. Load Balancing In Cloud Computing/ V.N. Volkova, L.V. Chemenkaya, E.N. Desyatirikova, M. Hajali, A. Khodar, A. Osama// Proceedings of the 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElConRus). - 2018. p. 387-390. DOI: 10.1109/EIConRus.2018.8317113

129. Wuhib F. Dynamic resource allocation with management objectives -Implementation for an OpenStack cloud/ F. Wuhib, R. Stadler, H. Lindgren // Network and service management, 2012 8th international conference and 2012 workshop on systems virtualiztion management, 2012. - p. 309-315.

130. Yang Xianfeng. Load Balancing of Virtual Machines in Cloud Computing Environment Using Improved Ant Colony Algorithm/ Yang Xianfeng1 and Li HongTao2// International Journal of Grid Distribution Computing. 2015. Vol. 8. No.6. pp.19-30.

131. Yatendra sahu. Cloud Computing Overview and Load Balancing Algorithms/ Yatendra sahu, M.K. Pateriya // Internal Journal of Computer Application. 2013.Vol.65.No.24. P.135-143.

ПРИЛОЖЕНИЕ А

Справка об использовании результатов диссертации в учебном процессе.

Настоящим подтверждается, что в течение 2018-2020гг. При проведении Ходар Алмосана Ахмад диссертационного исследования на тему «Математическое и программное обеспечение процессов динамической балансировки нагрузки в распределенных облачных вычислениях» в учебный процесс факультета компьютерных наук ФГБОУ ВО «Воронежский государственный университет» внедрены следующие результаты:

1. Метод и алгоритм оптимального распределения виртуальных ресурсов с использованием генетического алгоритма, обеспечивающий повышение уровня балансировки нагрузки и уменьшение динамический миграции.

2. Метод и алгоритм планирования задач приложений пользователей на виртуальные машины, отличающийся реализацией процедуры оптимизации роя частиц, нахождением оптимального решения не только с точки зрения стоимости, но и с точки зрения общего времен выполнения.

Полученные результаты используются при выполнении курсовых и дипломных работ, при проведении практических и лабораторных занятий по дисциплинам «Распределенные системы вычислений», и «Системы и сети передачи информации», а так же в научно-исследовательской работе студентов.

по науке и инновациям

АКТ

о внедрении научных результатов диссертационной работы Ходар Алмосана Ахмад в учебный процесс

Декан факультета компьютерных наук,

д.ф.-м.н., профессор

Алгазинов Эдуард Константинович

ПРИЛОЖЕНИЕ В

Свидетельство о государственной регистрации в Федеральной службе по интеллектуальной собственности (Роспатент).