Адаптивное распределение нагрузки в сети вычислительных устройств с потенциально неизвестными характеристиками на основе генетических алгоритмов
Читать статью полностью
Адаптивное распределение нагрузки в сети вычислительных устройств с потенциально неизвестными характеристиками на основе генетических алгоритмов(1,83 MB)Аннотация
В статье рассматривается применение нейронных сетей и генетического алгоритма для повышения адаптивности системы балансировки вычислительной нагрузки в гетерогенных сетях с неизвестными характеристиками. Предлагаемый алгоритм в неоднородной сети показывает результат лучше, чем Round-robin. Актуальность и новизна работы заключается в способности алгоритма адаптироваться к изменчивости конфигурации серверов с неизвестными параметрами. Предложенный алгоритм может быть использован для разработки адаптивных систем балансировки нагрузки.
Ключевые слова:
адаптивность системы – system adaptability; оптимизационные алгоритмы – optimization algorithms; нейронные сети – neural networks; генетический алгоритм – genetic algorithm; балансировка нагрузки – load balancing.
Список литературы
1. Kumar, P. Issues and Challenges of Load Balancing Techniques in Cloud Computing: A Survey / P. Kurmar, R. Kumar // ACM Computer Surveys. – 2019. – Vol. 51, No. 6. – P. 1–35.
2. Butsenko, M. O. WEB 3.0 in nearest future / M.O. Butsenko // Актуальные научные исследования в современном мире. – 2020. – № 4–2 (60). – С. 12–15.
3. Бабичев, С. Л. Распределенные системы / С.Л. Бабичев,К.А. Коньков. – Москва: Юрайт, 2019. – 507 с.
4. Цветков, В. Я. Проблемы распределенных систем / В.Я. Цветков, А.Н. Алпатов // Перспективы науки и образования. – 2014. – № 6 (12). – С. 31–36.
5. Лобанов, А. А. Адаптивная балансировка нагрузки вычислительных устройств с потенциально неизвестными характеристиками на основе оптимизационных алгоритмов /А.А. Лобанов, И.М. Бугаев // Информация и Космос. –2022. – № 3. – С. 90–98.
6. Using nginx as HTTP load balancer // Nginx: сайт. –URL: https://nginx.org/en/docs/http/load_balancing.html (дата обращения: 24.02.2024).
7. About Node.js // Node.js: сайт. – URL: https://nodejs.org/en/about (дата обращения: 24.02.2024).
8. Latency Imbalance Among Internet Load-BalancedPaths: A Cloud-Centric View / Y. Pi, S. Jamin, P. Danzig,F. Qian // Proceedings of the ACM on Measurement and Analysis of Computing Systems. – 2020. – Vol. 4, No. 2. – P. 1–29.
9. Головко, В. А. От многослойных персептронов к нейронным сетям глубокого доверия: парадигмы обучения и применение / В.А. Головко // Лекции по нейроинформатике. – Mосква: НИЯУ МИФИ, 2015. – С. 47–84.
10. Беляев, С. А. Современные подходы к обучению интеллектуальных агентов в среде Atari / С.А. Беляев, Д.А. Коробов // Программные продукты и системы. –2018. – №2. – С. 284–290.
11. Иванов, И. А. Самоконфигурируемый генетический алгоритм решения задач поддержки многокритериального выбора / И.А. Иванов, Е.А. Сопов // Сибирский журнал науки и технологий. – 2013. – №1 (47). – С. 30–35.
12. Apache JMeter // The Apache Software Foundation:сайт. – URL: https://jmeter.apache.org/ (дата обращения: 24.02.2024).