Мониторинг и прогнозирование загрузки кластерной системы на основе адаптивной смеси моделей тема диссертации и автореферата по ВАК РФ 05.13.18, кандидат наук Артамонов, Юрий Сергеевич

• Артамонов, Юрий Сергеевич
• кандидат наук
• 2017

Оглавление диссертации кандидат наук Артамонов, Юрий Сергеевич

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

1 ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ, МЕТОДОВ МОДЕЛИРОВАНИЯ И ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЗАГРУЗКИ КЛАСТЕРНОЙ СИСТЕМЫ

1.1 Проблемы прогнозирования загрузки ресурсов в академических кластерных системах с организацией доступа по принципу добровольных вычислений

1.2 Проблемы управления инфраструктурой платформ облачных веб-сервисов, связанные с прогнозированием загрузки ресурсов

1.3 Постановка задачи прогнозирования загрузки кластерной системы

1.4 Обзор математических методов прогнозирования временных рядов в приложении к задаче прогнозирования загрузки кластерной системы

1.5 Выводы

2 МОДЕЛЬ И ЧИСЛЕННЫЙ МЕТОД ПРОГНОЗИРОВАНИЯ ЗАГРУЗКИ КЛАСТЕРНОЙ СИСТЕМЫ

2.1 Формирование базы исторических данных о загрузке ресурсов кластерной системы и выделение информационных признаков

2.2 Исследование применимости модели EMMSP для прогнозирования загрузки ресурсов кластерной системы с использованием базы исторических данных

2.3 Исследование методов настройки параметров нейросетевых моделей типа MLP для прогнозирования загрузки ресурсов кластерной системы с использованием базы исторических данных

2.4 Разработка, исследование адаптивной модели и численного метода прогнозирования загрузки ресурсов кластерной системы с использованием базы историче ских данных

2.5 Выводы

3 ПРОГРАММНЫЙ КОМПЛЕКС МОНИТОРИНГА И ПРОГНОЗИРОВАНИЯ ЗАГРУЗКИ КЛАСТЕРНОЙ СИСТЕМЫ

3.1 Templet Web: архитектура системы управления доступом к ресурсам кластерных систем по принципу добровольных вычислений

3.2 Микросервисная архитектура подсистемы мониторинга и прогнозирования загрузки ресурсов кластерной системы

3.3 Опыт использования подсистемы мониторинга и прогнозирования загрузки ресурсов при организации учебного процесса и проведении исследований на базе кластера Самарского университета

3.4 Выводы

ЗАКЛЮЧЕНИЕ

Список литературы

Приложение А. Свидетельство о регистрации базы данных

Приложение Б. Свидетельство о регистрации программы

Приложение В. Акты внедрения

Введение диссертации (часть автореферата) на тему «Мониторинг и прогнозирование загрузки кластерной системы на основе адаптивной смеси моделей»

ВВЕДЕНИЕ

Актуальной научно-технической проблемой, возникающей при эксплуатации академических кластерных систем, является повышение эффективности загрузки их вычислительных ресурсов. Эта проблема встречается в различных системах в силу того, что наличие резерва вычислительной мощности необходимо для обеспечения высокого качества обслуживания, например, для уменьшения времени ожидания задачи в очереди кластера.

Методы практического использования простаивающих вычислительных ресурсов, известные как методы добровольных вычислений (volunteer computing), были впервые предложены в работах Д. Джиди, Д. Андерсона, Д. Кобба, М. Лицкова, М. Ливни и др. для персональных компьютеров, подключенных к сети Интернет. В настоящее время актуальными являются исследования, направленные на применение данных технологий для повышения эффективности загрузки академических кластерных систем. Например, такие исследования проводились в работах [1-3]. В диссертации обсуждается подобный метод разделения ресурсов академической кластерной системы для всех сотрудников и обучающихся. Метод направлен на повышение качества исследований и обучения, позволяет задействовать свободные ресурсы кластерной системы для решения академических задач в рамках практических и лабораторных работ. Эффективная работа кластерной системы в режиме разделения ресурсов связана с решением научной проблемы прогнозирования загрузки методами математического моделирования: не имея возможности предоставить требуемое качество обслуживания в произвольный момент, система должна сообщить время, когда желаемое качество обслуживания будет возможно.

Методы повышения эффективности использования вычислительных ресурсов имеют важное прикладное значение при эксплуатации академических кластеров, что было продемонстрировано в исследованиях под руководством

В.В. Воеводина, Ю.Г. Евтушенко, А.П. Афанасьева, И.В. Бычкова, М.А. Посыпкина, А.В. Бухановского и др.

В данной работе принцип добровольных вычислений применён для распределения простаивающих вычислительных ресурсов академического кластера «Сергей Королёв» Самарского университета. Распределение вычислительных ресурсов проводится зарегистрированными пользователями кластера между всеми научными работниками и студентами на платформе веб-сервиса «по требованию». Это позволяет одновременно обеспечивать высокую загрузку академической кластерной системы и эффективно решать задачи обучения и исследований.

Проблемы прогнозирования загрузки возникают и в коммерческих кластерных системах при управлении инфраструктурой платформ облачных веб-сервисов. В данном случае определение периодов низкой вычислительной загрузки имеет прикладное значение для снижения энергопотребления или планового обслуживания. В этом контексте проблемы прогнозирования загрузки кластеров изучались С. Ди, Д. Кондо, Д. Паттерсоном, А. Фоксом, Дж. Превостом и др. Большое значение имеет сбор и анализ исторических данных, определение закономерностей использования ресурсов, разработка эффективных моделей и методов прогнозирования. Эти методы должны позволять прогнозировать загрузку облака, кластера или вычислительного центра на горизонт планирования, достаточный для того, чтобы предпринять организационные действия по подготовке нового оборудования или переводу его в состояние обслуживания.

К первым публикациям [4] по этой тематике относятся работы по прогнозированию загрузки CPU серверов под управлением Unix. На момент проведения этих исследований не существовало публичных облачных провайдеров. Характер задач, а также цели прогнозирования были несколько иными. Наибольшее значение уделялось распределению ресурсов вычислительных кластеров между пользователями или процессами [5] и

совершенствованию работы планировщиков задач в операционных и пакетных системах кластеров.

Исследуемая в диссертации проблема прогнозирования загрузки кластерной системы решается на основе численных методов прогнозирования временных рядов. Эти методы нашли применение во многих отраслях, например, при прогнозировании нагрузки на электрические сети, прогнозировании цен на бирже или прогнозировании спроса на услуги и товары. В работах Дж. Бокса, Г.М. Дженкинса, Э.Е. Тихонова, Ю.П. Лукашина и др. рассмотрено применение классических методов прогнозирования временных рядов в перечисленных отраслях.

Необходимость разработки новых численных методов для прогнозирования загрузки кластерной системы обусловлена спецификой временных рядов, получаемых при наблюдении загрузки кластера. Она проявляется в значительной нерегулярности, не позволяющей строить качественные прогнозы, опираясь только на классические методы прогнозирования.

Перспективным методом улучшения результатов прогнозирования нерегулярных временных рядов является метод, основанный на подборе базовых прогнозных моделей и построении новой прогнозной модели на основе «адаптивной» смеси из нескольких базовых. Такой метод требует комплексного исследования изменения загрузки кластерной системы с применением технологий математического моделирования: мониторинга и анализа массива исторических данных о загрузке кластерной системы; обоснования применимости базовых моделей на основе сравнения смоделированной и фактической нагрузки; выбора критериев и способов построения адаптивной смеси базовых моделей для синтеза новой модели с лучшими показателями качества прогноза.

Таким образом, для решения научно-технической проблемы повышения эффективности загрузки академической кластерной системы является актуальным математическое моделирование процесса изменения её загрузки во времени, разработка новых адаптивных моделей и численных методов прогнозирования

загрузки, а также разработка программного комплекса, формирующего непрерывный прогноз загрузки, на основе которого специальный веб-сервис распределяет свободные ресурсы академического кластера.

Цель и задачи исследований. Целью исследования является решение научно-технической задачи повышения эффективности использования кластерной системы путем распределения простаивающих вычислительных ресурсов на основе адаптивной модели и численного метода прогнозирования временных рядов загрузки ресурсов, реализованных в программном комплексе мониторинга и прогнозирования.

Задачи исследования, соответствующие поставленной цели диссертационной работы.

1. Анализ предметной области, обзор моделей и методов прогнозирования временных рядов, описывающих загрузку вычислительных ресурсов в кластерной системе.

2. Формирование базы исторических данных о загрузке ресурсов кластерной системы Самарского университета и выделение в ней информационных признаков для решения задачи прогнозирования загрузки.

3. Анализ применимости и выбор наиболее подходящих моделей для прогнозирования загрузки ресурсов кластерной системы на основе сформированной базы исторических данных.

4. Разработка новой модели и соответствующего ей численного метода прогнозирования загрузки, используя адаптивную смесь моделей для повышения точности прогноза загрузки кластерной системы.

5. Разработка программного комплекса мониторинга и прогнозирования загрузки кластерной системы на основе новой модели и численного метода прогнозирования.

Научная новизна диссертационной работы. В диссертации получены следующие новые научные результаты.

1. В области математического моделирования: на основе комплексного исследования базовых моделей нейронных сетей типа MLP (multilayer perceptron) и модели EMMSP (extrapolation model on most similar pattern) предложена новая адаптивная модель прогнозирования загрузки кластерной системы.

2. В области численных методов: разработан более точный, по сравнению с известными, численный метод прогнозирования загрузки, отличающийся применением адаптивной селекции прогноза моделью MLP с дополнительными временными признаками и прогноза моделью EMMSP.

3. В области программных комплексов: разработан программный комплекс, впервые реализующий непрерывный 12 часовой прогноз загрузки кластерной системы, что позволило решить научно-техническую задачу повышения эффективности её использования в учебном процессе и научных исследованиях Самарского университета.

Теоретическая и практическая значимость работы. Теоретическая значимость работы состоит в том, что в ней проведено комплексное исследование применимости существующих моделей для прогнозирования загрузки кластерной системы, на основе которого были предложены новая модель и численный метод прогнозирования, использующие адаптивную смесь моделей EMMSP и нейронных сетей типа MLP и устраняющие их недостатки.

Практическая значимость работы состоит в создании программного комплекса, позволяющего осуществлять постоянный мониторинг и формирование 12-часового прогноза загрузки ресурсов кластера. Применение прогноза загрузки позволило повысить эффективность использования вычислительных ресурсов, планировать периоды их обслуживания и улучшить качество обслуживания пользователей. Программный комплекс размещён в сети Интернет как компонент веб-сервиса научных вычислений Templet Web (http://templet.ssau.ru).

Прикладное значение имеют алгоритмы сбора и анализа данных загрузки кластерной системы, реализованные в виде отдельных микросервисов в составе веб-сервиса Templet Web. Они могут быть использованы отдельно от основной системы для предоставления исследователям доступа к массиву исторических данных загрузки кластерной системы.

Соответствие паспорту специальности. Работа соответствует следующим пунктам паспорта заявленной научной специальности: (п. 3) разработка, обоснование и тестирование эффективных вычислительных методов с применением современных компьютерных технологий; (п. 4) реализация эффективных численных методов и алгоритмов в виде комплексов проблемно-ориентированных программ для проведения вычислительного эксперимента; (п. 5) комплексные исследования научных и технических проблем с применением современной технологии математического моделирования и вычислительного эксперимента.

Реализация результатов работы. Диссертационная работа выполнена при реализации проекта «Разработка комплекса технологий использования ресурсов суперкомпьютера «Сергей Королёв» в целях развития инновационной и научно-образовательной среды университета» (в рамках мероприятий Программы повышения конкурентоспособности Самарского университета среди ведущих мировых научно-образовательных центров на 2013-2020 годы, «Проект 5-100»). Результаты работы используются при планировании вычислительных экспериментов на кластере в проекте «Разработка фундаментальных основ аналитического синтеза регулярных и хаотических процессов в динамике космических аппаратов» (Госзадание № 9.1616.2017/4.6); при планировании и проведении лабораторных практикумов на кластере в Самарском университете. Реализация результатов работы подтверждена актами о внедрении.

Методы исследований. В диссертационной работе используются методы прогнозирования временных рядов, основанные на вычислительных методах интерполирования и приближения функций, прогностических моделях на базе

нейронных сетей. Результаты исследований подтверждаются соответствием значений загрузки, полученным в вычислительных экспериментах, накопленным историческим данным, а также актуальным данным загрузки, поступающим в программный комплекс с действующего кластера Самарского университета.

Апробация работы. Основные результаты работы были представлены на следующих всероссийских и международных конференциях: XII Всероссийской конференции «Высокопроизводительные параллельные вычисления на кластерных системах» (Нижний Новгород, 2012); Международной конференции «Distributed Computing and Grid-Technologies in Science and Education» (Дубна, JINR, 2012); Научно-технической конференции с международным участием и элементами научной школы для молодежи «Перспективные информационные технологии в научных исследованиях, проектировании и обучении» (Самара, 2012); Международной научно-технической конференции «Перспективные информационные технологии» (Самара, 2012); XVI Всероссийском семинаре по управлению движением и навигацией летательных аппаратов (Самара, 2013); X Всероссийской школе-конференции молодых учёных «Управление большими системами» (Уфа, 2013); Международной научно-технической конференции «Перспективные информационные технологии» (Самара, 2014); XVII Всероссийском семинаре по управлению движением и навигацией летательных аппаратов (Самара, 2014); Х Международной научно-практической конференции «Современные информационные технологии и ИТ-образование» (Москва, 2015); XVIII Всероссийском семинаре по управлению движением и навигации летательных аппаратов (Самара, 2015); Международной научно-технической конференции «Перспективные информационные технологии» (Самара, 2016); Международной конференции «Информационные технологии и нанотехнологии» (Самара, 2017); Международной конференции «BOINC: Fundamental & Applied Science & Technology» (Петрозаводск, 2017).

Авторский вклад. Все результаты, изложенные в диссертации, получены автором лично. В работах, выполненных совместно, автору принадлежат части,

относящиеся к решению задач прогнозирования загрузки кластерных систем и разработке программного комплекса. Автор лично осуществлял сбор данных, проведение численных экспериментов, подбор параметров моделей прогнозирования, обработку, анализ и интерпретацию полученных результатов.

Достоверность результатов работы. Полученные в работе результаты основываются на реальных исторических данных загрузки кластера Самарского университета. Достоверность результатов прогнозирования, полученных в диссертации, подтверждена корректными математическими выкладками, приведённым сравнительным анализом моделей, результатами вычислительных экспериментов на высокопроизводительной технике, а также соответствием результатов математического моделирования реальным процессам, наблюдаемым в моделируемых системах.

Основные положения, выносимые на защиту.

1. Адаптивная модель прогнозирования загрузки кластерной системы, основанная на результатах комплексного исследования применимости моделей на базе нейронных сетей типа MLP и модели EMMSP.

2. Численный метод прогнозирования загрузки вычислительных ресурсов кластерной системы, использующий принцип адаптивной селекции моделей MLP и EMMSP.

3. Программный комплекс мониторинга и прогнозирования загрузки кластерной системы, реализующий новую модель и численный метод прогнозирования.

Публикации по теме диссертации. По теме диссертации опубликовано 22 работы, в том числе 4 статьи в журналах, рекомендованных ВАК РФ, 2 статьи индексируемых в международной наукометрической базе Scopus, одно свидетельство о регистрации программы для ЭВМ, одно свидетельство регистрации базы данных, 12 работ в материалах и трудах международных и всероссийских конференций.

1 ОБЗОР ПРЕДМЕТНОЙ ОБЛАСТИ, МЕТОДОВ МОДЕЛИРОВАНИЯ И ПОСТАНОВКА ЗАДАЧИ ПРОГНОЗИРОВАНИЯ ЗАГРУЗКИ КЛАСТЕРНОЙ

СИСТЕМЫ

В первой части главы приводится обзор известных проблем прогнозирования загрузки ресурсов в академических системах управления вычислительными задачами. Основные из них - приоритизация запросов от «основных» и «внешних пользователей», определение количества простаивающих вычислительных ресурсов.

Во второй части описываются проблемы управления инфраструктурой платформ облачных веб-сервисов, связанные с прогнозированием загрузки ресурсов. Показано, что задача прогнозирования загрузки является актуальной как для академических систем, так и для коммерческих облачных окружений.

В третьей части выполняется содержательная и формальная постановка задачи прогнозирования загрузки кластерной системы, определяются основные особенности задачи и принимаемые ограничения.

В четвёртой части приводится обзор математических методов прогнозирования временных рядов в приложении к задаче прогнозирования загрузки кластерных систем, методы сравниваются по области применения, трудоёмкости и прозрачности результатов.

Результаты первой главы опубликованы в работах [6-8].

1.1 Проблемы прогнозирования загрузки ресурсов в академических кластерных системах с организацией доступа по принципу добровольных

вычислений

В основе современного математического моделирования лежат численные методы. Среди численных методов все большее распространение получают методы, реализуемые исключительно на высокопроизводительных вычислительных системах. Развитие областей интеллектуального анализа данных, глубокого машинного обучения принципиально невозможно без применения

высокопроизводительной техники. Более того, отказ от применения высокопроизводительной техники в случаях, когда одиночный расчет по модели легко организуется обычной последовательной программой, может привести к неполному исследованию параметрического пространства модели, как следствие, к неправильному заключению о свойствах моделируемого объекта, об адекватности и границах применимости модели.

Несмотря на доступность по цене и распространенность работающего аппаратного обеспечения высокопроизводительных вычислений, например, мультиядерных и многоядерных процессоров, графических процессоров общего назначения, а также построенных на их основе кластерных систем, разработчики численных моделей часто реализуют свой код в виде традиционной последовательной программы. Мы видим следующие три причины такого ограниченного применения высокопроизводительных вычислений.

В малобюджетных проектах, предварительных исследованиях, обучении, важно иметь возможность доступа к высокопроизводительным ресурсам «по требованию». В то же время получение доступа к высокопроизводительным академическим системам обычно связано с бюрократическими процедурами и не реализуется удаленно через интернет. Оформление доступа влечет финансовые затраты при аренде вычислительных мощностей и потерю времени.

Обычной для отрасли высокопроизводительных вычислений формой доступа к вычислительным ресурсам является терминальный доступ по защищенному каналу на основе протоколов SSH. Наряду с большой гибкостью, которая является преимуществом для системного программиста, эта форма доступа неудобна для исследователя. Она требует от него освоения несвойственных для профессиональной области численного моделирования навыков системного администрирования. Это приводит к увеличению затрат времени и финансов на организацию вычислений по модели.

Наконец, не менее важной проблемой является разработка параллельного программного кода для вычислений по модели. Традиционной формой

программного представления численного метода является алгоритмическое представление в виде последовательной программы. Алгоритмическое представление естественно для исследователя. Однако в области теории компиляции в настоящее время не известны универсальные, пригодные для практического использования, методы преобразования алгоритмического представления в двоичный код для высокопроизводительных систем. Поэтому современные средства разработки программ высокопроизводительных вычислений требуют явного описания одновременно выполняющихся вычислений и учета аппаратных особенностей конкретного типа вычислительного оборудования. Изучение средств программирования и особенностей оборудования связано с временными и финансовыми затратами.

Современное математическое моделирование - это в первую очередь решение прикладных задач. Снижение фактора финансовых и временных затрат на постановку вычислительных экспериментов актуально и практически полезно. В связи с этим, мотивом наших исследований в рамках проекта разработки облачного сервиса высокопроизводительных вычислений http://templet.ssau.ru [9] является комплексная автоматизация, направленная на снижении отрицательной роли рассмотренных факторов: (1) автоматизация процедуры доступа к высокопроизводительной системе; (2) автоматизация развертывания программы (загрузка кода, сборка с учетом внешних зависимостей, запуск, управление выполнением программы, выгрузка результатов); (3) автоматизация разработки параллельного кода численного метода для высокопроизводительных вычислений.

Разработка и сопровождение сервиса с заявленными выше требованиями сопряжена с решением ряда технических и научных проблем. В основе используемой нами стратегии предоставления доступа к удаленной вычислительной системе лежит концепция добровольных вычислений [10]. Донорами вычислительных ресурсов в нашей системе являются владельцы учетных записей на академических кластерах. Система реализована как облачный сервис типа PaaS (платформа как сервис) [11]. В данном подходе от пользователя

полностью скрыта реализующая сервис инфраструктура, а работать с сервисом можно из любого веб-браузера.

В системах, предоставляющих доступ на условиях добровольных вычислений, таких как BOINC, CluBORun [12, 13] или реализованном нами сервисе Templet Web, необходимо решить проблему приоритизации запросов на исполнение задач «основных» пользователей системы и «внешних» пользователей, которым предоставляются преимущественно простаивающие вычислительные ресурсы. Основной принцип предоставления вычислительных ресурсов на добровольной основе заключается в том, что система позволяет «внешним» пользователям задействовать свои ресурсы, если они простаивают. В таком подходе есть несколько проблем.

1. Как определить какие ресурсы простаивают?

2. Какой объём простаивающих ресурсов можно предоставлять без ущерба основному использованию системы?

3. Как проконтролировать содержимое задач, которые будут запущены «внешними» пользователями?

Особенности организации доступа к вычислительным ресурсам в нашей системе приводят к необходимости решения проблемы прогнозирования вычислительной загрузки кластера. Пользователь, предоставляющий доступ на кластер, должен знать, в какие периоды можно предоставить доступ без ущерба собственным проектам и общей загрузке. В то же время пользователю, получающему доступ, необходимо знать, в какие периоды времени будет возможна эффективная работа на кластере. Для решения этой научной задачи используются математические методы прогнозирования и интеллектуального анализа данных [14]. Мы можем определить ресурсы как простаивающие, если в некоторый достаточно большой квант времени в будущем эти ресурсы будут свободны, и, исходя из этих соображений, решить какое количество машин/CPU/GPU мы можем предоставлять внешним пользователям.

Классификация систем управления вычислительными задачами.

Системы управления вычислительными задачами можно разделить на несколько основных специализированных классов:

1) низкоуровневые системы управления распределёнными ресурсами (пакетные системы);

2) Desktop Grid-системы;

3) системы виртуализации вычислительных ресурсов;

4) высокоуровневые платформы распределённых вычислений.

Низкоуровневые системы управления распределёнными ресурсами призваны

утилизировать доступные вычислительные ресурсы и максимизировать пропускную способность, управляя процессом назначения физических ресурсов пользовательским задачам. Пакетные системы управляют такими физическими ресурсами, как процессорное время, оперативная память, дисковое пространство и пропускная способность сети. К таким системам относятся [15]: Platform LSF, Portable Batch System (PBS), Sun Grid Engine (SGE), IBM Load Leveler и Condor. Пакетные системы обычно имеют следующие подсистемы:

1) подсистема управления задачами;

2) подсистема управления физическими ресурсами;

3) подсистема планирования и управления очередями.

Подсистема управления задачами - интерфейс для пользователей, которые взаимодействуют с системой, запрашивая ресурсы для задач и контролируя статус их исполнения. Подсистема управления физическими ресурсами решает две основных задачи: контроль использования ресурсов и сбор статистики их использования. В пакетных системах назначение ресурсов для задач зависит от политики планирования и использования ресурсов. Эта политика определяется администратором системы и является конфигурацией для подсистемы планирования и управления очередями.

Основные достоинства пакетных систем:

1) пригодны для организации вычислений на различном оборудовании и операционных системах;

2) хорошо подходят для большого числа перезапусков задач;

3) позволяют организовать работу множества пользователей;

4) документированы, широко известны и повсеместно применяются.

Недостатки:

1) требуется обучение пользователей, поскольку им необходимо знать особенности физического оборудования кластера для запуска задач, такие как число ядер процессоров, оперативная память, скорость чтения и записи данных, топология сети;

2) пакетные задания трудно отлаживать;

3) зависшие задачи могут держать занятыми ресурсы всё отведённое им время.

Desktop Grid-системы (как и пакетные системы) нацелены на утилизацию

вычислительных ресурсов, однако они существенно отличаются от них. Пакетные системы задействуют оборудование организаций: суперкомпьютеры, кластеры и другое дорогостоящее оборудование. В отличие от пакетных систем, Desktop Grid задействуют обычные компьютеры [16], а связь между ними организуется через сеть Интернет, кроме того, компьютеры могут быть выключены или отключены от сети. Участники проектов Desktop Grid не являются экспертами и разработчиками ПО, они участвуют в вычислениях, поскольку им это интересно. Проекты не контролируют своих участников и не могут предотвратить злонамеренное поведение, например, предоставление ложных результатов.

Список литературы диссертационного исследования кандидат наук Артамонов, Юрий Сергеевич, 2017 год

СПИСОК ЛИТЕРАТУРЫ

1. Zhang, Y. CPU load predictions on the computational grid / Y. Zhang, W. Sun, Y. Inoguchi // IEICE TRANSACTIONS on Information and Systems. - 2007. -Т. 90. - №. 1. - P. 40-47.

2. Akioka, S. Extended forecast of CPU and network load on computational grid / S. Akioka, Y. Muraoka //Cluster Computing and the Grid, 2004. CCGrid 2004. IEEE International Symposium on. - IEEE, 2004. - P. 765-772.

3. Agrawal, A. Host Load Prediction in Computational Grid Environment / A. Agrawal, R. Shar // International Journal of Computer Applications. - 2013. -Т. 77. - №. 10.

4. Wolski, R. Predicting the cpu availability of time-shared unix systems on the computational grid / R. Wolski, N. Spring, J. Hayes // High Performance Distributed Computing, 1999. Proceedings. The Eighth International Symposium on. - IEEE, 1999. - P. 105-112.

5. Dinda, P.A. An evaluation of linear models for host load prediction / P.A. Dinda, D.R. O'Hallaron // High Performance Distributed Computing, 1999. Proceedings. The Eighth International Symposium on. - IEEE, 1999. - P. 87-96.

6. Артамонов, Ю.С. Постановка задачи прогнозирования доступных вычислительных ресурсов в кластерных системах / Ю.С. Артамонов // Перспективные информационные технологии (ПИТ 2013): труды Международной научно-технической конференции / Под ред. С.А. Прохорова. - Самара: изд. СНЦ РАН, 2013. - С. 178-180.

7. Артамонов, Ю.С. Основные подходы прогнозирования доступных вычислительных ресурсов в кластерных системах / Ю.С. Артамонов // Перспективные информационные технологии (ПИТ 2014): труды Международной научно-технической конференции / Под ред. С.А. Прохорова. - Самара: изд. СНЦ РАН, 2014. - C. 305-310.

8. Артамонов, Ю.С. Инструментальное программное обеспечение для разработки и поддержки исполнения приложений научных вычислений в кластерных системах / Ю.С. Артамонов, С.В. Востокин // Вестн. Сам. гос. техн. ун-та. Сер. Физ.-мат. Науки. - 2015. - Т. 19, № 4 - С. 785-798.

9. Vostokin, S.V. TEMPLET - a Cloud Service for Rapid Development of High Performance Applications / S.V. Vostokin, Y.S. Artamonov, Y.P. Nazarov, A.E. Zagumennikov // Distributed Computing and Grid-Technologies in Science and Education: Book of Abstr. of the 5th Intern. Conf. - Dubna: JINR, 2012. -P. 166-167.

10.Anderson, D.P. The computational and storage potential of volunteer computing / D.P. Anderson, G. Fedak // Cluster Computing and the Grid, 2006. CCGRID 06. Sixth IEEE International Symposium on. - IEEE, 2006. - Т. 1. - P. 73-80.

11.Giessmann, A. Business models of platform as a service (PaaS) providers: current state and future directions / A. Giessmann, K. Stanoevska-Slabeva // JITTA: Journal of Information Technology Theory and Application. - 2012. - Vol. 13. -No. 4. - P. 31.

12.Манзюк, М.О. CluBORun: средство использования свободных ресурсов вычислительных кластеров для BOINC-расчетов / М.О. Манзюк, О.С. Заикин // Труды научной конференции «Высокопроизводительные вычисления на базе BOINC: фундаментальные исследования и разработки». ИПМИ КарНЦ РАН. - 2013. - С. 9-14.

13.Afanasiev, A.P. Technology for integrating idle computing cluster resources into volunteer computing projects / A.P. Afanasiev, I.V. Bychkov, M.O. Manzyuk, M.A. Posypkin, A.A. Semenov, O.S. Zaikin // In Proc. of The 5th International Workshop on Computer Science and Engineering. Moscow, Russia, 2015. -P. 109-114.

14.Jang, S. Using performance prediction to allocate grid resources / S. Jang et all // Texas A&M University, College Station, TX, GriPhyN Technical Report. - 2004. - Т. 25.

15.Jones, J.P. Scheduling for parallel supercomputing: A historical perspective of achievable utilization / J.P. Jones, B. Nitzberg // JSSPP. - 1999. - Т. 1659. -P. 1-16.

16.Choi, S.J. Characterizing and classifying desktop grid / S.J. Choi et all // Cluster Computing and the Grid, 2007. CCGRID 2007. Seventh IEEE International Symposium on. - IEEE, 2007. - P. 743-748.

17.Sarmenta, L.F.G. Building and studying web-based volunteer computing systems using Java / L.F.G. Sarmenta, H.S. Bayanihan // Future Generation Computer Systems. - 1999. - Vol. 15. - No. 5. - P. 675-686.

18.Chien, A. Entropia: architecture and performance of an enterprise desktop grid system / A. Chien et all // Journal of Parallel and Distributed Computing. - 2003. - Vol. 63. - No. 5. - P. 597-610.

19.Anderson, D.P. Boinc: A system for public-resource computing and storage / D.P. Anderson // Grid Computing, 2004. Proceedings. Fifth IEEE/ACM International Workshop on. - IEEE, 2004. - P. 4-10.

20.Lo, J. VMware and CPU virtualization technology [электронный ресурс] // URL: https://download3.vmware.com/vmworld/2005/pac346.pdf (дата обращения 01.06.2017).

21.Mergen, M. F. Virtualization for high-performance computing / M.F. Mergen, V. Uhlig, O. Krieger, J. Xenidis // SIGOPS Oper. Syst. Rev., 2006. - Vol. 40, No. 2. - P. 8-11.

22.Xavier, M. G. Performance evaluation of container-based virtualization for high performance computing environments / M.G. Xavier et all // 21st Euromicro International Conference on Parallel, Distributed, and Network-Based Processing. 2013. - P. 233-240.

23.Foster, I. Globus toolkit version 4: Software for service-oriented systems // Lecture Notes in Computer Science, 3779. Berlin, Heidelberg: Springer. 2005. P. 2-13.

24.Taylor, R.C. An overview of the Hadoop, MapReduce, HBase framework and its current applications in bioinformatics / R.C. Taylor // BMC Bioinformatics. 2010. vol. 11 (Suppl 12). - P. S1.

25.Knyazkov, K.V. CLAVIRE: e-Science infrastructure for data-driven computing / K.V. Knyazkov, S.V. Kovalchuk, T.N. Tchurov, S.V. Maryin, A.V. Boukhanovsky // Journal of Computational Science, 2012. - Vol. 3, No. 6. -P. 504-510.

26.Ivanov, S.V. Simulation-based collaborative decision support for surge floods prevention in St. Petersburg / S.V. Ivanov, S.S. Kosukhin, A.V. Kaluzhnaya, A.V. Boukhanovsky // Journal of Computational Science, 2012. - Vol. 3, No 6. -P. 450-455.

27.Jinru, He Pinterest web service auto scaling [электронный ресурс] URL: https://medium.com/@Pinterest_Engineering/auto-scaling-pinterest-df1d2beb4d64 (дата обращения: 01.06.2017)

28.Engelbrecht, H.A. Forecasting methods for cloud hosted resources, a comparison / H.A. Engelbrecht, M. van Greunen // Network and Service Management (CNSM), 2015 11th International Conference on. - IEEE, 2015. -P. 29-35.

29.Chandini, M. A Brief study on Prediction of load in Cloud Environment / M. Chandini, R. Pushpalatha, R. Boraia // International Journal of Advanced Research in Computer and Communication Engineering. - 2016. - 5 (5). -P. 157-162.

30.Vasu, R. Load forecasting for optimal resource allocation in cloud computing using neural method / R. Vasu, E.I. Nehru, G. Ramakrishnan // Middle-East J. Sci. Res. - 2016. - Т. 24. - No. 6. - P. 1995-2002.

31.Ивашко, Е.Е. Задача прогнозирования нагрузки для повышения энергетической эффективности вычислительного кластера / Е.Е. Ивашко, А.С. Румянцев, А.Л. Чухарев // Параллельные вычислительные технологии 2013 (ПаВТ'2013). - 2013. - С. 363-370.

32.Бокс, Дж. Анализ временных рядов, прогноз и управление. / Дж. Бокс. Г.М. Дженкинс. - М.: Мир, 1974. - 406 с.

33.Bergmeir, C. A note on the validity of cross-validation for evaluating time series prediction / C. Bergmeir et all // Monash University Department of Econometrics and Business Statistics Working Paper. - 2015. - Т. 10. - P. 15.

34.Sun, J. The Cloud Computing Load Forecasting Algorithm Based on Kalman and ANSFIS / J. Sun, Y. Zhuang // 4th International Conference on Machinery, Materials and Computing Technology (ICMMCT 2016). - 2016. - P. 566-570.

35.Ren, X. A dynamic load balancing strategy for cloud computing platform based on exponential smoothing forecast / X. Ren, R. Lin, H. Zou // Cloud Computing and Intelligence Systems (CCIS), 2011 IEEE International Conference on. -IEEE, 2011. - P. 220-224.

36.Naseera, S. A comparative study on CPU load predictions in a computational grid using artificial neural network algorithms / S. Naseera et all // Indian Journal of Science and Technology. - 2015. - Т. 8. - №. 35.

37.Di, S. Host load prediction in a Google compute cloud with a Bayesian model / S. Di, D. Kondo, W. Cirne // Proceedings of the International Conference on High Performance Computing, Networking, Storage and Analysis. - IEEE Computer Society Press, 2012. - P. 21.

38.Tong, J. Host load prediction in cloud based on classification methods / J. Tong et all // The Journal of China Universities of Posts and Telecommunications. - 2014. - Vol. 21. - No. 4. - P. 40-46.

39.Liang, J. Long-term CPU load prediction / J. Liang et all // Dependable, Autonomic and Secure Computing (DASC), 2011 IEEE Ninth International Conference on. - IEEE, 2011. - С. 23-26.

40.Jaiswal, S. Grid Host Load Prediction Using GridSim Simulation and Hidden Markov Model / S. Jaiswal, A. Mishra, P. Bhanodia // International Journal of Emerging Technology and Advanced Engineering. - Vol. 4, Issue 7. - 2014.

41.Caron, E. Forecasting for grid and cloud computing on-demand resources based on pattern matching / E. Caron, F. Desprez, A. Muresan // Cloud Computing Technology and Science (CloudCom), 2010 IEEE Second International Conference on. - IEEE, 2010. - P. 456-463.

42.Тихонов, Э.Е. Прогнозирование в условиях рынка. / Э.Е. Тихонов. -Невинномысск, 2006. - 221 с.

43.Armstrong, J.S. Forecasting for Marketing / J.S. Armstrong // Quantitative Methods in Marketing. London: International Thompson Business Press, 1999. -P. 92-119.

44.Harvey, A.C. Forecasting, structural time series models and the Kalman filter / A.C. Harvey. - Cambridge university press, 1990. - 572 p.

45.Hu, R. CPU load prediction using support vector regression and Kalman smoother for cloud / R. Hu et all // Distributed Computing Systems Workshops (ICDCSW), 2013 IEEE 33rd International Conference on. - IEEE, 2013. -С. 88-92.

46.Draper, N. Applied regression analysis. / N. Draper, H. Smith New York: Wiley, In press, 1981. - 693 p.

47.Maximum likelihood // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http:// en.wikipedia.org/wiki/Maximum_likelihood (дата обращения 01.06.2017).

48.Prajakta, S.K. Time series Forecasting using Holt-Winters Exponential Smoothing / S.K. Prajakta // Kanwal Rekhi School of Information Technology Journal [электронный ресурс]. 2004. URL: http://labs.omniti.com/people/jesus/papers/holtwinters.pdf (дата обращения 01.06.2017).

49.Taylor, J.W. Short-term load forecasting with exponentially weighted methods / J.W. Taylor // IEEE Transactions on Power Systems. - 2012. - Vol. 27. - No. 1. -P. 458-464.

50.Huang, J. Resource prediction based on double exponential smoothing in cloud computing / J. Huang, C. Li, J. Yu // Consumer Electronics, Communications and Networks (CECNet), 2012 2nd International Conference on. - IEEE, 2012. -P. 2056-2060.

51.Morariu, N. A neural network model for time series forecasting / N. Morariu et all // Romanian journal of economic forecasting. - 2009. - Т. 12. - №. 4. -P. 213-223.

52.Хайкин, С. Нейронные сети: полный курс. / С. Хайкин. - М.: ООО «И. Д. Вильямс», 2006. - 1104 с.

53.Duy, T. V. T. Improving accuracy of host load predictions on computational grids by artificial neural networks / T.V.T. Duy, Y. Sato, Y. Inoguchi // International Journal of Parallel, Emergent and Distributed Systems. - 2011. - Т. 26. - №. 4. -P. 275-290.

54.Support vector machine // The free encyclopedia «Wikipedia» [электронный ресурс]. URL: http://en.wikipedia.org/wiki/ Support_vector_machine (дата обращения 01.06.2017).

55.Chen, Y. CPU load prediction based on a multidimensional spatial voting model / Y. Chen, J. Cao, P. Guo // Data Science and Data Intensive Systems (DSDIS), 2015 IEEE International Conference on. - IEEE, 2015. - P. 97-102.

56.Zhu, J. Using Markov Chains for Link Prediction in Adaptive Web Sites / J. Zhu, J. Hong, J.G. Hughes // 1st International Conference on Computing in an Imperfect World, UK, London, 2002. - P. 60-73.

57.Akioka, S. Extended forecast of CPU and network load on computational grid / S. Akioka, Y. Muraoka // Cluster Computing and the Grid, 2004. CCGrid 2004. IEEE International Symposium on. - IEEE, 2004. - P. 765-772.

58.Yuan, Y. Adaptive hybrid model for long term load prediction in computational grid / Y. Yuan et all // Cluster Computing and the Grid, 2008. CCGRID'08. 8th IEEE International Symposium on. - IEEE, 2008. - P. 340-347.

59.Лукашин, Ю.П. Адаптивные методы краткосрочного прогнозирования временных рядов / Ю.П. Лукашин. - М.: Финансы и статистика, 2003. - 415 с.

60.Артамонов, Ю.С. Применение модели EMMSP для прогнозирования доступных вычислительных ресурсов в кластерных системах / Ю.С. Артамонов // Известия СНЦ РАН, 2016. - т. 18, № 4(4). - C. 681-687.

61.Артамонов, Ю.С. Прогнозирование загрузки кластерной системы с использованием адаптивных смесей моделей / Ю.С. Артамонов // International Journal of Open Information Technologies, 2017. - Том 5, № 5. -P. 9-15.

62.Артамонов, Ю.С. Прогнозирование доступных вычислительных ресурсов кластера при помощи модели EMMSP. / Ю.С. Артамонов // Перспективные информационные технологии (ПИТ 2016):труды Международной научно-технической конференции / под ред. С.А. Прохорова. - Самара: Издательство Самарского научного центра РАН, 2016. - C. 474-477.

63.Артамонов, Ю.С. Прогнозирование загрузки ресурсов кластера при помощи нейросетевых моделей / Ю.С. Артамонов // ИТНТ-2017: труды Международной конференции Информационные технологии и нанотехнологии, 2017. - С. 1734-1739.

64.Востокин, С.В. Templet Analytics: база данных с информацией о загрузке суперкомпьютера Сергей Королёв за период с ноября 2013 по ноябрь 2014 года / С.В. Востокин, Ю.С. Артамонов // Свидетельство о государственной регистрации базы данных №2015621021, выданное Федеральной службой по интеллектуальной собственности. Зарегистрировано в Реестре баз данных 3.07.2015.

65.Artamonov, Y.S. Prediction of Cluster System Load Using Artificial Neural Networks / Y.S. Artamonov // Proceedings of the International conference Information Technology and Nanotechnology. Session Data Science (Samara, Russia, 24-27 April, 2017). - CEUR Workshop Proceedings, 2017. P. 59-63.

66.Massie, M.L. The ganglia distributed monitoring system: design, implementation, and experience / M.L. Massie, B.N. Chun, D.E. Culler // Parallel Computing. -2004. - Vol. 30. - No. 7. - P. 817-840.

67.Чучуева, И.А. Модель экстраполяции временных рядов по выборке максимального подобия / И.А. Чучуева // Информационные технологии, 2010. - №12. - С. 43-47.

68.Fernandez-Rodriguez, F. Nearest-Neighbour Predictions in Foreign Exchange / F. Fernandez-Rodriguez, S. Sosvilla-Rivero, J. Andrada-Felix // Working Papers Fundacion de Estudios de Economia Aplicada, FEDEA. 2002. - №5. - С. 36.

69.Kalaitzakis, K. Short-term load forecasting based on artificial neural networks parallel implementation / K. Kalaitzakis, G. Stavrakakis, E.M. Anagnostakis // Electric Power Systems Research. - 2002. - Vol. 63. - No. 3. - P. 185-196.

70.Deeplearning4j: Open-source distributed deep learning for the JVM [Электронный ресурс]. URL: http://deeplearning4j.org (дата обращения: 01.06.2017)

71.Осовский, С. Нейронные сети для обработки информации / С. Осовский. -М.: Финансы и статистика, 2002. - 344 с.

72.Nesterov, Y. Introductory Lectures on Convex Optimization A Basic Course / Y. Nesterov - Springer, 2004. - 211 p.

73.Kingma, D.P. ADAM: A Method for Stochastic Optimization / D.P. Kingma, J.L. Ba // arXiv: 1412:6980 [cs.LG]. - 2014.

74.Ruder, S An overview of gradient descent optimization algorithms / S. Ruder // arXiv preprint arXiv: 1609.04747. - 2016.

75.Артамонов, Ю.С. Разработка распределенных приложений сбора и анализа данных на базе микросервисной архитектуры / Артамонов Ю.С., Востокин С.В. // Известия Самарского научного центра Российской академии наук, т. 18, № 4(4), 2016. - C. 688-693.

76.Артамонов, Ю.С. Коллективная разработка приложений для высокопроизводительных вычислений / Ю.С. Артамонов // Перспективные

информационные технологии в научных исследованиях, проектировании и обучении (ПИТ 2012): труды научно-технической конференции с международным участием и элементами научной школы для молодежи, посвященной 40-летию кафедры информационных систем и технологий СГАУ / под ред. С.А. Прохорова. - Самара: Издательство СНЦ РАН, 2012. -С.64-67

77.Артамонов, Ю.С. Принципы непрерывной интеграции для разработки приложений научных вычислений / Ю.С. Артамонов // Управление большими системами: материалы X Всероссийской школы-конференции молодых учёных. Том 1 / Уфимск. гос. авиац. тех. ун-т. - Уфа: УГАТУ, 2013. - С. 130-133.

78.Востокин, С.В. Программный комплекс анализа многомерных динамических систем и процессов на суперкомпьютере «Сергей Королёв» / С.В. Востокин, А.В. Дорошин, Ю.С. Артамонов, Ю.П. Назаров // Управление движением и навигация летательных аппаратов: сборник трудов XVI Всероссийского семинара по управлению движением и навигацией летательных аппаратов. - Самара: Издательство СНЦ РАН, 2013. - С.60-63.

79.Артамонов, Ю.С. Применение облачного сервиса Templet Web при проведении лабораторных практикумов на суперкомпьютере «Сергей Королев» / Ю.С. Артамонов Ю.С., С.В. Востокин // Х Международная научно-практическая конференция «Современные информационные технологии и ИТ-образование», МГУ, Москва, 2015. - Том 2. - С.409-414.

80.Востокин, С.В. Программный комплекс TEMPLET. Организация прикладных вычислений на базе суперкомпьютера «Сергей Королёв» / С.В. Востокин, А.В. Дорошин, Ю.С. Артамонов // Сборник трудов XVII Всероссийского семинара по управлению движением и навигацией летательных аппаратов: Часть II. Самара, 18-20 июня 2014 г. - Самара: АНО «Издательство СНЦ», 2015. - С. 59-62.

81.Царёв, Д.А. Сравнение основных возможностей и классификация облачных инструментов разработки. / Д.А. Царёв, Ю.С. Артамонов // Перспективные информационные технологии (ПИТ 2016): труды Международной научно-технической конференции / под ред. С.А. Прохорова. - Самара: Издательство Самарского научного центра РАН, 2016. - C. 539-542.

82.Востокин, С.В. Применение системы Templet Web для решения задач математического моделирования с использованием высокопроизводительных систем. / С.В. Востокин, А.В. Дорошин, Ю.С. Артамонов // Управление движением и навигация летательных аппаратов: Сборник трудов XVIII Всероссийского семинара по управлению движением и навигации летательных аппаратов: Часть II. Самара, 15-17 июня 2015 г. - Самара, Изд-во СНЦ РАН, 2016. - С.17-21.

83.Артамонов, Ю.С. Templet - Сервис непрерывной интеграции для разработки высокопроизводительных приложений / Ю.С. Артамонов, С.В. Востокин, Ю.П. Назаров // Высокопроизводительные параллельные вычисления на кластерных системах. Материалы XII всероссийской конференции, Нижний Новгород.: изд-во НГУ, 2012. - C. 82

84.Артамонов, Ю.С. Templet - Модель PaaS для разработки приложений в области высокопроизводительных вычислений / Ю.С. Артамонов // В сб: Тезисы докладов 39 Самарской областной студенческой научной конференции. - Самара, изд. Сам. науч. центра РАН, 2013. - С. 321-322.

85.Востокин, С.В. Templet Web: система управления научными вычислениями на базе ресурсов суперкомпьютерного центра СГАУ / C3. Востокин, Ю.С. Артамонов // Свидетельство о государственной регистрации программы для ЭВМ №2015614876, выданное Федеральной службой по интеллектуальной собственности. Зарегистрировано в Реестре программ для ЭВМ 29.04.2015.

86.Vostokin, S.V. Templet Web: the experimental use of volunteer computing approach in scientific Platform-as-a-Service implementation / S.V. Vostokin,

Y.S. Artamonov, D.A. Tsarev // Proceedings of the Third International Conference BOINC-based High Performance Computing: Fundamental Research and Development (Petrozavodsk, Russia, August 28 - September 01, 2017). -CEUR Workshop Proceedings, 2017. P. 129-135.

87.Keyes, D. E. Multiphysics simulations: Challenges and opportunities/ D.E. Keyes et al. // International Journal of High Performance Computing Applications, 2013. - Vol. 27, No. 1. - P. 4-83..

88.Sullivan, B. Making Sense of Revision-Control Systems / B. Sullivan // Commun. ACM, 2009. - Vol. 52, No. 9. - P. 56-62..

89.Neitsch, A. Build System Issues in Multilanguage Software / A. Neitsch, K. Wong, M.W. Godfrey // 28th IEEE International Conference on Software Maintenance (ICSM). Riva del Garda, Trento, Italy, 2012. P. - 140-149.

90.Ettl, M. Continuous Software Integration and Quality Control during Software Development / M. Ettl, A. Neidhardt, W. Brisken, R. Dassing // Seventh General Meeting (GM2012) of the international VLBI Service for Geodesy and Astrometry (IVS) (Madrid, Spain, March 4-9, 2012); eds. D. Behrend, K. D. Baver. National Aeronautics and Space Administration, 2012. - P. 227-230.

91.Ylonen, T. The secure shell (SSH) protocol architecture. [электронный ресурс] / T. Ylonen, C. Lonvick // URL: https://www.ietf.org/rfc/rfc4251.txt (дата обращения 01.06.2017).

92.Java Help Center [электронный ресурс] // URL: https://www.java.com/en/download/help/ (дата обращения 01.06.2017).

93.PostgreSQL database [электронный ресурс] // URL: https://www.postgresql.org/ (дата обращения 01.06.2017).

94.Fowler, M. Microservices / M. Fowler, J. Lewis // URL: http://martinfowler.com/articles/microservices.html (дата обращения 01.06.2017)

95.Namiot, D. On M2M Software Platforms. / D. Namiot, M. Sneps-Sneppe // International Journal of Open Information Technologies, 2014. - Vol. 2 No.8. -P. 29-33.

96.Dagger, D. Service-oriented e-learning platforms: From monolithic systems to flexible services / D. Dagger, A. O'Connor, S. Lawless, E. Walsh, V. Wade // IEEE Internet Computing, 2007. - Vol. 11. No. 3. - P. 28-35.

97.Messina, A. The Database-is-the-Service Pattern for Microservice Architectures / A. Messina, R. Rizzo, P. Storniolo, M. Tripiciano, A. Urso // International Conference on Information Technology in Bio-and Medical Informatics. Springer International Publishing, 2016. - P. 223-233.

98.Bonelli, N. A purely functional approach to packet processing / N. Bonelli, S. Giordano, G. Procissi, L. Abeni // Proceedings of the tenth ACM/IEEE symposium on Architectures for networking and communications systems. ACM, 2014. - P. 219-230.

99.Villamizar, M. Infrastructure Cost Comparison of Running Web Applications in the Cloud Using AWS Lambda and Monolithic and Microservice Architectures / M. Villamizar // 2016 16th IEEE/ACM International Symposium on Cluster, Cloud and Grid Computing (CCGrid). IEEE, 2016. - P. 179-182.

100. Namiot, D., On micro-services architecture / D. Namiot, M. Sneps-Sneppe // International Journal of Open Information Technologies, 2014. - Vol. 2 No. 9. -P. 24-27.

101. Hassan, M. Provisioning web services from resource constrained mobile device / M. Hassan, W. Zhao, J. Yang // In Cloud Computing (CLOUD), 2010 IEEE 3rd International Conference on. IEEE, 2010. - P. 490-497.

102. Microservices [электронный ресурс] URL: http://microservices.io/patterns/microservices.html (дата обращения 01.06.2017)

103. Balalaie, A. Microservices migration patterns / A. Balalaie, A. Heydarnoori, P. Jamshidi // Tech. Rep. TR-SUTCE-ASE-2015-01, Automated Software Engineering Group, Sharif University of Technology, Tehran, Iran, 2015.

104. Newman, S. Building Microservices / S. Newman. O'Reilly Media, 2015. -280 p.

105. Fernández, J. Microservices: Lightweight service descriptions for REST architectural style / J. Fernández, C. Iglesias, M. Garijo // ICAART 2010 -Proceedings of the International Conference on Agents and Artificial Intelligence, Volume 1 - Artificial Intelligence, Spain, 2010. - P. 186-189.

106. Toffetti, G. An architecture for self-managing microservices / G. Toffetti, S. Brunner, M. Blochlinger, F. Dudouet, A. Edmonds // Proceedings of the 1st International Workshop on Automated Incident Management in Cloud. ACM, 2015. - P. 19-24.

107. Amaral, M. Performance Evaluation of Microservices Architectures using Containers / M. Amaral, J. Polo, D. Carrera, M. Steinder // Network Computing and Applications (NCA), 2015 IEEE 14th International Symposium on. IEEE, 2015. - P. 27-34.

108. Agha, G.A. Actors: A unifying model for parallel and distributed computing / G.A. Agha, W. Kim // Journal of Systems Architecture, 1999. - Vol. 45, No. 15. -P. 1263-1277.

109. Haller, P. Scala Actors: Unifying thread-based and event-based programming / P. Haller, M. Odersky // Theoretical Computer Science, 2009. - Vol. 410, No. 23. - P. 202-220.

110. Shams, M. I. Integrating task parallelism with actors / M.I. Shams, S. Vivek // Proceedings of the ACM international conference on Object oriented programming systems languages and applications (OOPSLA '12). New York, NY, USA, 2012. - P. 753-772.

111. Литвинов, В.Г. Разработка и применение вычислительной модели типовых решений. Пример использования «портфеля задач» для обучения нейронной сети HRBF / В.Г. Литвинов // Вестн. Сам. гос. техн. ун-та. Сер. Физ.-мат. Науки, 2014. - 3(36). - С. 183-195.

112. Столбова, А.А. Вычисление коэффициентов вейвлет-преобразования на кластерных системах / А.А. Столбова, С.В. Востокин, С.Н. Попов // Перспективные информационные технологии (ПИТ 2017): труды Международной научно-технической конференции, Самара: СНЦ РАН, 2017. С. 476-478.

ПРИЛОЖЕНИЕ А. СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ БАЗЫ ДАННЫХ

ПРИЛОЖЕНИЕ Б. СВИДЕТЕЛЬСТВО О РЕГИСТРАЦИИ ПРОГРАММЫ