Технология интеллектуальной организации процесса выполнения неоднородных композитных приложений в глобальной вычислительной среде тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Мельник Михаил Алексеевич

• Мельник Михаил Алексеевич
• кандидат наук
• 2020

Оглавление диссертации кандидат наук Мельник Михаил Алексеевич

ОГЛАВЛЕНИЕ

РЕФЕРАТ

SYNOPSIS

ВВЕДЕНИЕ

1 Аналитический обзор технологий планирования в глобальных распределённых вычислительных системах

1.1 Технологии планирования пакетных композитных приложений в глобальных распределенных вычислительных системах

1.2 Технологии планирования распределенных приложений обработки потоковых данных в глобальных распределенных вычислительных системах

1.3 Технологии планирования итеративных распределенных приложений в глобальных распределенных вычислительных системах

1.4 Выводы к главе

2 Метод и алгоритмы оптимизации процесса выполнения неоднородных композитных приложений в глобальных распределенных вычислительных системах

2.1 Метод динамического планирования композитных приложений в глобальных распределенных вычислительных системах на основе обучения с подкреплением

2.1.1 Модель вычислительной нагрузки

2.1.2 Модель глобальной распределенной вычислительной среды

2.1.3 Расписание и модели производительности

2.1.4 Обучение с подкреплением для задачи планирования в глобальных распределенных вычислительных системах

2.2 Алгоритм динамического планирования потоковой обработки больших данных в глобальных распределенных вычислительных системах

2.2.1 Постановка задачи планирования распределенных потоковых приложений в глобальных распределенных вычислительных системах

2.2.2 Эволюционный алгоритм для планирования распределенных потоковых приложений SSGA

2.3 Алгоритм планирования итеративных распределенных приложений в глобальных распределенных вычислительных системах IMSGA

2.3.1 Графовая модель размещения вычислительной нагрузки итеративного приложения

2.3.2 Алгоритм планирования итеративных приложений IMSGA

2.4 Обобщенный алгоритм и процедура планирования неоднородных композитных приложений в глобальных распределенных вычислительных системах

2.5 Выводы к главе

3 Информационная технология организации вычислений неоднородных композитных приложений в глобальных распределенных вычислительных системах

3.1 Организация системы планирования неоднородных вычислений на базе CLAVIRE

3.2 Модуль адаптивного распределенного вычисления в условиях неполного управления ресурсами

3.3 Модуль планирования композитных приложений на основе принципа обучения с подкреплением

3.4 Модуль планирования потоковой обработки данных

3.5 Выводы к главе

4 Экспериментальные исследования оптимизации неоднородных композитных приложений в глобальных распределенных вычислительных системах

4.1 Экспериментальные исследования планирования высокопроизводительных композитных приложений на основе обучения с подкреплением

4.2 Экспериментальные исследования метода оптимизации потоковых вычислений на примере сенсорных данных

4.2.1 Профилирование приложений для потоковой обработки данных сенсоров

4.2.2 Оптимизация выполнения потоковой обработки данных сенсоров

4.3 Экспериментальные исследования планирования итеративных приложений

4.3.1 Профилирование итеративно-блочных приложений

4.3.2 Оптимизация выполнения итеративно-блочного распределенного приложения городской мобильности

4.4 Оптимизация выполнения неоднородного композитного приложения в глобальной распределенной вычислительной системе

4.5 Выводы к главе

ЗАКЛЮЧЕНИЕ

ПЕРЕЧЕНЬ СОКРАЩЕНИЙ И ОБОЗНАЧЕНИЙ

СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ

Приложение А. Тексты публикаций

Введение диссертации (часть автореферата) на тему «Технология интеллектуальной организации процесса выполнения неоднородных композитных приложений в глобальной вычислительной среде»

РЕФЕРАТ

Актуальность темы исследования обусловлена интенсивным ростом производительности вычислительных систем, в том числе за счёт использования глобальных технологий распределенных вычислений для научных и промышленных целей, и одновременным усложнением и расширением сферы применения вычислительных приложений в исследованиях. В настоящее время исследуется вопрос внедрения вычислительных систем экзафлопсной производительности к 2024 году, что представляет не только увеличение числа расчётных элементов, но и усложнение их архитектуры. Достижение экзафлопсной производительности возможно только за счёт глобализации вычислительной среды. Под глобально распределенной вычислительной средой (ГРВС) понимается набор соединенных каналами связи независимых географически и административно разделенных неоднородных вычислительных ресурсов. Эффективное использование такого рода ГРВС является нетривиальной научной задачей. Она обусловлена тем, что в технологиях глобальных распределенных вычислений используются композитные приложения (КП) - приложение, которое состоит из набора распределенных вычислительных задач, представленных собственными программными пакетами с зависимостями по данным между ними. Компоненты КП представлены разными программными модулями, работающими на различных вычислительных и организационных архитектурах, операционных системах, они разрабатываются разными командами с использованием различных технологий. Более того, в отличии от распределенной вычислительной среды, ГРВС не позволяет получить полный доступ к информации о вычислительных узлах и каналах передачи данных между ними. Это является основным источником неоднородности проводимых вычислений в ГРВС, что формирует ограничение на применимость существующих детерминированных алгоритмов планирования и создаёт потребность в исследовании применимости интеллектуальных методов из области искусственного интеллекта и машинного обучения для задачи планирования, которые являются наиболее перспективными методами для решения задач в условиях неопределенности и неполноты данных. При этом сложность организации глобальных вычислений также обусловлена необходимостью совместно использовать специализированные ресурсы, такие как графические процессоры, суперкомпьютеры, платформы, позволяющие выполнять расчёты с динамически изменяемой нагрузкой отдельных частей КП. Дополнительно ситуация осложняется необходимостью организовывать глобальное взаимодействие между разнородными режимами вычислений и обработки данных (пакетным, потоковым и итеративным режимами) при взаимодействии

сервисов в составе КП. По причине отсутствия полного контроля доступа и управления всех элементов ГРВС, также невозможно точно определить доступность и загруженность тех или иных ресурсов, что вносит ещё один фактор неопределенности.

Для эффективной организации вычислительного процесса в ГРВС необходимо обеспечить оптимизацию процесса выполнения КП. В России данное направление представлено в работах научных школ А.П. Афанасьева, В.П. Гергеля, О.В. Сухорослова, В.В. Коренькова, Б. Я. Штейнберга, И.В. Каляева и других исследователей, за рубежом -такими, как Р. Буйя, Е. Дилман, Я. Фостер. В настоящее время достаточно хорошо проработаны технологии планирования независимых КП, потоковых приложений, программных пакетов для суперкомпьютеров. Научной школой А.В. Бухановского разработано семейство методов планирования123 для решения следующих задач: исполнения экстренных КП; распределения больших данных в вычислительно интенсивных задачах; многомасштабного моделирования в распределенных вычислительных средах. В диссертационной работе продолжена разработка методов планирования и решается задача планирования неоднородных композитных приложений (НКП) в ГРВС с различными вычислительными режимами. Под НКП понимается композитное приложение, которое имеет блоки с различными вычислительными архитектурами и принципами организации процесса выполнения, требующими индивидуального технологического подхода на уровне единой вычислительной платформы. Несмотря на то, что в мире ведутся исследования, связанные с областью ГРВС, в данной работе впервые предложена задача планирования НКП в таких средах.

Предметом исследования являются методы и алгоритмы планирования неоднородных композитных приложений в глобальных распределенных вычислительных средах. Объектом исследования являются неоднородные композитные приложения.

Целью исследования является повышение эффективности выполнения неоднородных композитных приложений, совмещающих пакетный, потоковый и итеративный режимы исполнения отдельных элементов, в глобально распределенной вычислительной среде в условиях неопределенности и неполноты исходных данных о состоянии этой среды за счёт усовершенствования организации и планирования выполнения неоднородных композитных приложений.

1 Бутаков Н. А. Технология исполнения экстренных композитных приложений на основе гибридных методов планирования : дис. - С.-Петерб. нац. исслед. ун-т информац. технологий, механики и оптики, 2015.

2 Вишератин А. А. Семантические технологии больших данных для многомасштабного моделирования в распределенных вычислительных средах, диссертационная работа : дис. - С.-Петерб. нац. исслед. ун-т информац. технологий, механики и оптики, 2017.

3 Насонов Д. А. Эволюционные алгоритмы распределения больших данных в вычислительно-интенсивных задачах : дис. - С.-Петерб. нац. исслед. ун-т информац. технологий, механики и оптики, 2016.

Для достижения цели в ходе диссертационного исследования решаются следующие задачи:

- анализ существующих решений для организации и планирования неоднородных композитных приложений в глобальной распределенной вычислительной среде с целью определения требований к объектам исследования и разработки;

- формализация постановки задачи оптимизации планирования неоднородных композитных приложений в глобальной распределенной вычислительной среде в условиях неопределенности и неполноты исходных данных о состоянии среды;

- разработка и программная реализация метода и алгоритмов планирования вычислительной нагрузки в пакетном, потоковом и итеративном режимах в глобальной распределенной вычислительной среде;

- разработка программной инфраструктуры для организации выполнения неоднородных композитных приложений в глобально распределенной вычислительной среде;

- проведение экспериментальных исследований разработанных алгоритмов планирования для оценки их эффективности, а также сравнения с существующими решениями.

Методы исследования включают в себя методы теории алгоритмов, дискретной математики, эволюционных вычислений, машинного обучения, теории вероятностей и математической статистики, имитационного моделирования, инженерии программного обеспечения и анализа программного обеспечения.

Научная новизна обусловлена тем, что в работе: впервые предложено решение задачи планирования НКП в глобально распределенной вычислительной среде; предложен метод планирования НКП на основе принципа обучения с подкреплением, который в отличие от существующих алгоритмов планирования на основе обучения с подкреплением позволяет проводить динамическое планирование на уровне анализа структуры вычислительной нагрузки и инфраструктуры с уменьшением времени выполнения неоднородных композитных приложений и способен динамически улучшать предлагаемые варианты решения в условиях неопределенности; предложено семейство алгоритмов планирования выполнения потоковой обработки данных, обеспечивающее гибкость и масштабируемость вычислений за счёт оценки потребности в вычислительных ресурсах, которое позволяет уменьшить стоимость аренды облачных ресурсов по сравнению с существующими алгоритмами планирования потоковой обработки данных; предложено семейство алгоритмов оптимизации выполнения итеративных приложений на суперкомпьютерах, позволяющее использовать логику расчетных приложений для

существенного уменьшения времени выполнения и балансировки вычислительных ресурсов по сравнению с существующими методами для выполнения подобных приложений.

Теоретическая значимость работы заключается в развитии подходов планирования вычислений в глобально распределенных системах за счет учета неоднородности и неопределенности вычислительных ресурсов, неоднородности решаемых задач, неоднородности и изменчивости поступающих данных, а также взаимодействия между режимами выполнения неоднородного композитного приложения. Практическую значимость работы обеспечивает создание следующих систем:

- программного комплекса WFWrapper, предназначенного для автоматизированного выполнения распределенных итеративных приложений в интегрированной среде суперкомпьютера;

- программного модуля выполнения потоковой обработки данных на основе технологий Apache Spark и Apache Flink;

- программы для имитационного моделирования потокового выполнения композитных приложений с гибкой схемой настройки встроенных алгоритмов планирования сценариев вычислительной среды;

- программной подсистемы планирования выполнения композитных приложений в облачной платформе CLAVIRE.

Разработанные результаты внедрены в проектную деятельность ООО "Сименс" и использованы при выполнении экспериментальных исследований в международном проекте Horizon'2020 ComPat (Вычислительные шаблоны для высокопроизводительных многомасштабных вычислений).

На защиту выносятся:

метод для организации глобально распределённой обработки данных на основе обучения с подкреплением, обеспечивающий улучшение генерации планируемых решений в условиях неопределенности и неполноты данных;

семейство алгоритмов динамического планирования неоднородных композитных приложений на основе методов машинного обучения для пакетного, потокового и

итеративного режимов выполнения расчетных задач в глобально распределенной вычислительной среде;

— программная инфраструктура для организации выполнения неоднородных композитных приложений в глобально распределенной вычислительной среде. Внедрение результатов работы. Результаты диссертационного исследования использованы в рамках проектов Национального центра когнитивных разработок (центра компетенций НТИ), а также при выполнении следующих проектов: соглашение №14.578.21.0077 от 24.11.2014 г. «Исследования и разработка быстродействующей кластерной системы хранения и обработки сверхбольших объемов данных»; соглашение № 14.587.21.0024 от 18.11.2015 г. «Вычислительные шаблоны для высокопроизводительных многомасштабных вычислений»; соглашение № 14.575.21.0161 от 26.09.2017 г. «Технология выработки персонифицированных рекомендаций для пациентов с хроническими заболеваниями на основе гибридного моделирования жизненных процессов»; соглашение № 18-37-00416 от 28.04.2018 г. «Методы и алгоритмы планирования композитных приложений для потоковой обработки данных в реальном времени на основе технологий облачных вычислений»; грантовое соглашение № 671564 программы исследований и инноваций Европейского Союза Horizon'2020 (проект «ComPat»).

Апробация результатов. Достоверность работы подтверждается корректным использованием методов исследования, обоснованием постановок задач и экспериментальными исследованиями разработанных алгоритмов, в том числе при сравнительном анализе с существующими подходами. Основные результаты изложены на следующих научных и научно-практических конференциях: 7th International Conference on Evolutionary Computation Theory and Applications (ECTA15), Лиссабон, Португалия, 2015; International Young Scientists Conference 2015 (YSC 2015), Афины, Греция, 2015; The International Conference on Computational Science (ICCS 2016) "Data through the Computational Lens", Сан-Диего, США, 2016; 11th International Conference on Soft Computing Models in Industrial and Environmental Applications (SOCO 2016), Сан-Себастьян, Испания, 2016; International Young Scientists Conference 2016 (YSC 2016), Краков, Польша, 2016; The International Conference on Computational Science (ICCS 2017) "The Art of Computational Science. Bridging Gaps - Forming Alloys", Цюрих, Швейцария, 2017; 10th International Joint Conference on Computational Intelligence (IJCCI2018), Севилья, Испания, 2018; International Young Scientists Conference 2019 (YSC 2019), Ираклион, Греция, 2019; 11th International Joint Conference on Computational Intelligence (IJCCI2019), Вена, Австрия, 2019.

По представленным в диссертации результатам получено 3 свидетельства о регистрации программ для ЭВМ, опубликовано 16 статей в рецензируемых научных журналах, входящих в международные реферативные базы данных и системы цитирования Scopus и Web of Science, и 2 статьи в журналах, входящих в перечень российских рецензируемых журналов.

Соответствие паспорту специальности. Диссертационная работа соответствует следующим пунктам паспорта специальности (представлены в порядке степени соответствия):

пункт 9 - разработанные метод и алгоритмы планирования неоднородных композитных приложений обеспечивают глобально распределенную обработку данных за счёт организации взаимодействия между глобально распределенными вычислительными узлами (включая суперкомпьютеры, вычислительные кластера и облачные вычисления) и за счёт использования этих ресурсов в рамках запуска одного НКП (в частности на суперкомпьютере «Ломоносов», гипер-кластере Университета ИТМО и ресурсах облачной платформы Amazon);

пункт 8 - предложенное в диссертационной работе неоднородное композитное приложение является программным методом создания программ для параллельной и распределенной обработки данных (в том числе глобально распределенной);

пункт 3 - в рамках диссертационной работы разработаны программные инструменты WFWrapper и модуль в составе программных систем Apache Spark и Apache Storm, которые организовывают взаимодействие между программами (отдельными блоками НКП) с программными системами (MPI, Apache Spark, Apache Storm).

Научные издания, входящие в международные реферативные базы данных и системы цитирования:

1. Melnik M., Chirkin A., Belloum A., Kovalchuk S., Makkes M., Visheraetin A., Nasonov D. Execution time estimation for workflow scheduling // Future Generation Computer Systems. 2017. (75). P. 376-387.

2. Melnik M., Nasonov D. Workflow scheduling using Neural Networks and Reinforcement Learning // Procedia Computer Science. 2019. (156). P. 29-36.

3. Melnik M., Nasonov D., Butakov N. Scheduling of streaming data processing with overload of resources using genetic algorithm // IJCCI 2018 - Proceedings of the 10th International Joint Conference on Computational Intelligence. 2018. P. 232-241.

4. Melnik M., Trofimenko T. Polyrhythmic Harmony Search for Workflow Scheduling // Procedia Computer Science. 2015. (66). P. 468-476.

5. Nasonov D., Melnik M., Shindyapina N. Metaheuristic coevolution workflow scheduling in cloud environment // IJCCI 2015 - Proceedings of the 7th International Joint Conference on Computational Intelligence. 2015. (1). P. 252-260.

6. Nasonov D., Melnik M., Visheratin A., Butakov N., Boukhanovsky A.V. Hybrid evolutionary workflow scheduling algorithm for dynamic heterogeneous distributed computational environment // Journal of Applied Logic. 2017. (24). P. 50-61.

7. Nasonov D., Melnik M., Butakov N., Visheratin A., Linev A., Shvets P, Mukhina K., Sobolev S. The multi-level adaptive approach for efficient execution of multi-scale distributed applications with dynamic workload // Communications in Computer and Information Science. 2019. (965). P. 675-686.

8. Nasonov D., Melnik M., Radice A. Coevolutionary workflow scheduling in a dynamic cloud environment // Advances in Intelligent Systems and Computing. 2017. (527). P. 189200.

9. Petrov M., Melnik M., Nasonov D., Butakov N. Adaptive performance model for dynamic scaling Apache Spark Streaming // Procedia Computer Science. 2018. (136). P. 109-117.

10. Smirnov P., Melnik M., Nasonov D. Performance-aware scheduling of streaming applications using genetic algorithm // Procedia Computer Science. 2017. (108). P. 22402249.

11. Visheratin A., Melnik M., Butakov N., Nasonov D. Hard-deadline Constrained Workflows Scheduling Using Metaheuristic Algorithms // Procedia Computer Science. 2015. (66). P. 506-514.

12. Visheratin A.A., Melnik M., Butakov N., Nasonov D. Hybrid scheduling algorithm in early warning systems // Future Generation Computer Systems. 2018. (79). P. 630-642.

13. Visheratin A.A., Melnik M., Nasonov D. Automatic Workflow Scheduling Tuning for Distributed Processing Systems // Procedia Computer Science. 2016. (101). P. 388-397.

14. Visheratin A.A., Melnik M., Nasonov D. Workflow scheduling algorithms for hard-deadline constrained cloud environments // Procedia Computer Science. 2016. (80). P. 2098-2106.

15. Visheratin A.A., Melnik M., Nasonov D. Dynamic resources configuration for coevolutionary scheduling of scientific workflows in cloud environment // Advances in Intelligent Systems and Computing. 2018. (649). P. 13-23

16. Melnik M.A., Nasonov D.A., Liniov A. Intellectual Execution Scheme of Iterative Computational Models based on Symbiotic Interaction with Application for Urban Mobility Modelling//IJCCI 2019 - Proceedings of the 11th International Joint Conference on Computational Intelligence, 2019, pp. 245-251

Научные издания, входящие в перечень российских рецензируемых журналов:

17. Мельник М. А., Насонов Д. А., Бухановский А. В. Технология интеллектуальной организации процесса выполнения неоднородных композитных приложений в распределенной вычислительной среде // Известия высших учебных заведений. Приборостроение. - 2020. - Т. 63. - №. 2.

18. Бутаков Н. А., Мельник М., Насонов Д., Вишератин А. Гибридные методы планирования экстренных композитных приложений // Труды Международной научной конференции СРТ2015. - 2016. - С. 182-185.

Публикации, которые приравниваются к рецензируемым научным изданиям:

19. Программный комплекс автоматической оптимизации выполнения композитных приложений в распределенных вычислительных системах (WFAutoOpt) / Д.А. Насонов, А.В. Бухановский, А.В. Разумовский, А.И. Спивак, М.А. Мельник. Св-во о гос. регистрации программы для ЭВМ № 2017611166 от 24.01.2017 г.

20. Программный комплекс оптимизации процесса выполнения многомасштабных композитных приложений в облачных вычислительных средах / А.А. Вишератин, М.А. Мельник, А.В. Бухановский, Д. Насонов. Св-во о гос. регистрации программы для ЭВМ № 2017619259 от 18.08.2017 г.

21. Ядро распределенной платформы выполнения многомасштабного моделирования сложных систем СотраЮоге / Д. Насонов, А.А. Вишератин, П.А. Смирнов, А.В. Бухановский, Н.А. Бутаков, М.А. Мельник. Св-во о гос. регистрации программы для ЭВМ № 2017619262 от 18.08.2017 г.

Личный вклад автора в работах, выполненных в соавторстве, заключается в обосновании требований к оптимизации планирования неоднородных композитных приложений; разработке интеллектуального алгоритма планирования на основе обучения с подкреплением; разработке алгоритмов оптимизации выполнения потоковой обработки данных в облачной вычислительной среде; разработке алгоритма оптимизации выполнения итеративных приложений на суперкомпьютере; проработке архитектуры в целом и отдельных модулей запуска неоднородных композитных приложений; формировании сценариев проведения экспериментальных исследований, их проведении и интерпретации результатов.

Бухановский А.В. во всех работах, выполненных в соавторстве, осуществлял научное формирование выдвигаемых идей и вырабатывал рекомендации по улучшению содержательных частей статей.

Насонов Д.А. во всех работах, выполненных в соавторстве, осуществлял постановку научных задач, проводил консультации при написании статей и предоставлял доступ к

вычислительным ресурсам платформы CLAVIRE. Кроме того, в работе4 выполнил анализ литературы и производил взаимодействие с коллегами из ННГУ (Линёв А.В.) и МГУ (Швец П.А. и Соболев С.И.) для получения доступа к ресурсам суперкомпьютеров «Лобачевский» и «Ломоносов». В работах5 6 разрабатывал архитектуру коэволюционных алгоритмов.

Вишератин А.А. во всех работах, выполненных в соавторстве, систематизировал данные экспериментов, осуществлял постановку задачи планирования с ограничением по срокам выполнения. В работе7 разработал алгоритм символьной регрессии для настройки параметров модели.

Бутаков Н.А. во всех работах, выполненных в соавторстве, проводил консультации при разработке программных компонентов и алгоритмов. В работах8 9 участвовал в составлении литературного обзора и постановке задачи динамического планирования.

Смирнов П.А.10 производил интеграцию разработанного алгоритма с фреймворком Apache Storm, а также проводил запуски подготовленных сценариев экспериментальных исследований.

Чиркин А., Беллоум А., Ковальчук С.В., Маккес М.11 предоставили модель оценки времени выполнения композитных приложений для проведения экспериментальных исследований.

Шиндяпина Н.12, Трофименко Т.13 и Рэдис А.14 в соответствующих работах проводили настройку параметров разработанных алгоритмов.

4 Nasonov D. [и др.]. The multi-level adaptive approach for efficient execution of multi-scale distributed applications with dynamic workload // Communications in Computer and Information Science. 2019. (965). C. 675686.

5 Nasonov D. [и др.]. Metaheuristic coevolution workflow scheduling in cloud environment // IJCCI 2015 -Proceedings of the 7th International Joint Conference on Computational Intelligence. 2015. (1). C. 252-260.

6 Visheratin A.A., Melnik M., Nasonov D. Dynamic resources configuration for coevolutionary scheduling of scientific workflows in cloud environment // Advances in Intelligent Systems and Computing. 2018. (649). C. 1323.

7 Visheratin A.A., Melnik M., Nasonov D. Automatic Workflow Scheduling Tuning for Distributed Processing Systems // Procedia Computer Science. 2016. (101). C. 388-397.

8 Nasonov D. [и др.]. Hybrid evolutionary workflow scheduling algorithm for dynamic heterogeneous distributed computational environment // Journal of Applied Logic. 2017. (24). C. 50-61.

9 Visheratin A.A. [и др.]. Hybrid scheduling algorithm in early warning systems // Future Generation Computer Systems. 2018. (79). C. 630-642.

10 Smirnov P., Melnik M., Nasonov D. Performance-aware scheduling of streaming applications using genetic algorithm // Procedia Computer Science. 2017. (108). C. 2240-2249.

11 Chirkin A.M. [и др.]. Execution time estimation for workflow scheduling // Future Generation Computer Systems. 2017. (75). C. 376-387.

12 Nasonov D. [и др.]. Metaheuristic coevolution workflow scheduling in cloud environment // IJCCI 2015 -Proceedings of the 7th International Joint Conference on Computational Intelligence. 2015. (1). C. 252-260.

13 Melnik M., Trofimenko T. Polyrhythmic Harmony Search for Workflow Scheduling // Procedia Computer Science. 2015. (66). C. 468-476.

14 Nasonov D., Melnik M., Radice A. Coevolutionary workflow scheduling in a dynamic cloud environment // Advances in Intelligent Systems and Computing. 2017. (527). C. 189-200.

Структура и объем диссертации. Диссертация состоит из перечня используемых сокращений, введения, четырёх глав, заключения и списка литературы, включающего 139 источников, содержит 184 страницы текста, включая 63 рисунка и 18 таблиц.

Список литературы диссертационного исследования кандидат наук Мельник Михаил Алексеевич, 2020 год

Литература

[1] NasonovD., Butakov N. Hybrid Scheduling Algorithm in Early Warning Systems // Procedia Computer Science. 2014. Vol. 29. P. 1677-1687.

[2] NasonovD., Butakov N., Balakhontseva M., Knyazkov K., Boukhanovsky A. Hybrid Evolutionary Workflow Scheduling Algorithm for Dynamic Heterogeneous Distributed Computational Environment // Advances in Intelligent Systems and Computing. 2014. Vol. 299. P. 83-92.

[3] Butakov N., Nasonov D., Boukhanovsky A. Evolutionary inheritance in workflow scheduling algorithms within dynamically changing heterogeneous environments // Proc. of the International Conf. on Evolutionary Computation Theory and Applications. 2014. P. 160-168.

[4] Butakov N., Nasonov D. Co-evolutional genetic algorithm for workflow scheduling in heterogeneous distributed environment // IEEE 8th International Conf. on Application of Information and Communication Technologies (AICT). 2014. P. 1-5.

[5] Butakov N., NasonovD., Knyazkov K., Karbov-skii V., Chuprova Y. The multi-agent simulation-based framework for optimization of detectors layout in public crowded places // Procedia Computer Science. 2015. Vol. 51. P. 522-531.

[6] Bochenina K., Butakov N., Dukhanov A., Naso-nov D. A clustering-based approach to static scheduling of multiple workflows with soft deadlines in heterogeneous distributed systems // Procedia Computer Science. 2015. Vol. 51. P. 2827-2831.