Тема: ПЛАНИРОВАНИЕ ВЫЧИСЛИТЕЛЬНОЙ МОЩНОСТИ В СЕТИ ЮТ УСТРОЙСТВ

Интернет вещей (Internet of Things, IoT) - это множество устройств, подключенных к сети и обменивающихся данными. С каждым днем растет количество устройств, и вместе с ним растет объем генерируемых данных и требования к качеству и скорости их обработки [1]. Для улучшения качества пользовательского опыта необходима система, которая способна обрабатывать, передавать и хранить эти данные [2]. И одним из существующих решений является вычислительная сеть, которая подразделяется на три уровня: граничные (edge), туманные (fog) и облачные (cloud) вычисления [3, 4]. Граничный уровень собирает информацию из датчиков, расположенных в устройствах, и передает их в следующий уровень. Туманный уровень отвечают за быстрый отклик на запросы и минимальную задержку при обработке данных. Облачный уровень обеспечивает быструю обработку любого объема данных, генерируемых устройствами, а также их визуализацию и долгосрочное хранение.
Существует множество научных статей, которые посвящены различным фундаментальным и прикладным исследованиям в области сетей интернета вещей: авторы проектируют сети, изучают протоколы, разрабатывают оборудование и алгоритмы планирования обработки запросов, оценивают необходимые вычислительные ресурсы на узлах сети. Например, в работе [5] была предложена система мониторинга дорожного движения транспортных средств, основанная на беспроводной технологии LoRaWAN, на граничном уровне вычисления. В системе используются недорогие датчики камер, платформа Raspberry PI IoT и видеоаналитика машинного обучения для подсчета количества транспорта в реальном времени. Эти данные могут помочь бороться с пробками в больших городах. Еще одним примером исследования трафика интернета вещей может быть «умный дом», оснащенный «умными» устройствами. В работе [6] авторы разработали генератор IoT траффика «умного дома», который позволяет наблюдать за передаваемой информацией (данные о температуре, влажности и т.д.) и удаленно управлять устройствами, например, изменять состояние оборудования. Таким образом, генератор позволяет изучать траффик интернета вещей и может помочь обнаружить угрозы безопасности устройствам.
В последние несколько лет облачные вычисления пользуются популярностью в связи с простым и доступным способом хранения информации [7]. Это важно для того, чтобы сделать большие массивы данных доступными для растущего числа пользователей во всем мире. Работа с такими данными требует методов оптимизации и обеспечение удовлетворительного уровня производительности. Поэтому важно решить эти задачи, чтобы улучшить использование хранилища для пользователей. И одной из проблем, связанных с облачными вычислениями является балансировка нагрузки сети.
Балансировка нагрузки - это метод равномерного распределения запросов между сетевыми устройствами с целью оптимизации ресурсов, используемых для обработки [8]. Она позволяет избежать чрезмерной или наоборот недостаточной загрузки для серверов в облаке, тем самым повышая производительность облака за счёт использования ресурсов и минимизируя время отклика. Алгоритмы балансировки нагрузки подразделяются на два типа: динамические и статические [9].
Статические алгоритмы основаны на предварительном знании свойств узлов, такие как вычислительная мощность и объем памяти при распределении задач. Также они не способны учитывать изменения нагрузки в процессе выполнения работы. В статье [10] предложен метод балансировки для частного облака, которое сопоставляет виртуальные машины с физическими. Архитектура алгоритма включает в себя центральный контроллер планирования, выполняющего всю работу по вычислению ресурса, и монитор ресурсов, собирающего информацию о доступности ресурсов. Процесс сопоставления задач состоит из четырех этапов: принятие запроса виртуальной машины, получение подробной информации о ресурсах с помощью монитора, после контроллер определяет способности ресурса обработать запрос и, наконец, ресурс набравший наибольшее количество баллов получает этот запрос. Таким образом, клиент получает доступ к приложению.
Динамические алгоритмы более гибкие и способны адаптироваться к изменениям нагрузки узлов в реальном времени. В этом подходе задачи могут перемещаться с перегруженного узла на недогруженный, чтобы получить быструю обработку. Статья [11] предлагает стратегию динамической миграции виртуальных машин для центров обработки данных (ЦОД), которая учитывает баланс нагрузки и энергопотребление. Авторы предлагают использовать алгоритм прогнозирования серого уровня для предсказания нагрузки на хосты и динамически корректировать пороги для миграции виртуальных машин. Стратегия позволяет снизить общее энергопотребление центра обработки данных и улучшить распределение нагрузки между серверами. Эксперименты подтверждают эффективность предложенного подхода по сравнению с другими методами.
Все эти методы по-своему хороши, но в нашей задаче берутся во внимание ресурсы, занимаемые запросами при поступлении в сеть массового обслуживания, с тремя узлами для планирования их вычислительной мощности.
О сетях массового обслуживания (СеМО) рассказывается в [12, 13], где изложено их подробное описание. В СеМО поступившая заявка занимает свободный прибор в узле. После окончания обслуживания заявка либо переходит к другому узлу, либо покидает систему. В работах [15-20] рассказывается о ресурсных системах массового обслуживания. В этих системах заявка при поступлении занимает прибор и какое-то определенное количество требуемого ресурса. При окончании обслуживания заявка освобождает занимаемый ресурс и покидает систему.
Целью работы является исследование сети массового обслуживания с ограниченным числом приборов и ресурсной сети массового обслуживания с неограниченным числом приборов.
Для достижения поставленной цели были сформулированы следующие задачи:
• построить математические модели в виде сети массового обслуживания с тремя узлами,
• реализовать численный алгоритм для вычисления стационарного распределения вероятностей числа заявок на узлах сети массового обслуживания с ограниченным числом приборов,
• провести асимптотический анализ ресурсной сети массового обслуживнаия с неограниченным числом приборов,
• реализовать имитационную модель и оценку ее точности,
• провести численные экпирименты.

Купить

В данной работе для вычислительной сети с тремя уровнями вычислений (граничный, туманный, облачный) построены две модели: сеть массового обслуживания с ограниченным числом приборов на трех узлах, и ресурсная сеть массового обслуживания с неограниченным числом приборов на трех узлах. Для модели с ограниченным числом приборов был записан численный алгоритм для вычисления стационарного распределения вероятностей числа заявок на узлах сети. Для ресурсной модели с неограниченным числом приборов методом динамического просеивания и методом асимптотического анализа была найдена аппроксимация стационарного распределения вероятностей числа заявок и суммарного объема занятого ресурса на узлах сети. Для оценки области применимости аппроксимации была построена имитационная модель, проведена оценка ее точности. В завершении работы были проведены численные эксперименты, которые демонстрируют способы применения полученных результатов для вычислительной сети IoT устройств.
По результатам работы были подготовлены публикации [24, 25], сама работа была апробирована на трех конференциях:
• Международная научная студенческая конференция, 17-23 апреля 2024 года, Новосибирск;
• Математическое и программное обеспечение информационных систем, технических и экономических систем, 24-27 мая 2024 года, Томск.
• XXXIII Международная конференция им. А.Ф. Терпугова, «Информационные технологии и математическое моделирование», 20-26 октября 2024 г.
Благодарности. Автор выражает искреннюю благодарность научному руководителю, кандидату физико-математических наук, доценту кафедры ТВиМС НИ ТГУ, Лисовской Екатерине Юрьевне за постановку задачи, хорошо слаженную совместную работу, терпение и поддержку; за консультации и грамотное оформление выпускной работы Салимзяновой Дарье Дмитриевне и Салимзянову Радмиру Ренатовичу. Также большое спасибо всем преподавателям кафедры ТВиМС за все советы и рекомендации для решения поставленной задачи.

Купить