ПЛАНИРОВАНИЕ ВЫЧИСЛИТЕЛЬНОЙ МОЩНОСТИ В СЕТИ ЮТ УСТРОЙСТВ
|
АННОТАЦИЯ 3
ВВЕДЕНИЕ 3
1. Системная модель 6
2. Математическая модель 8
2.1 СеМО с ограниченным числом приборов 8
2.2 Ресурсная СеМО с неограниченным числом приборов 13
3. Имитационная модель 21
3.1 Алгоритм 21
3.2 Оценка точности имитационной модели 24
4. Численные эксперименты 26
ЗАКЛЮЧЕНИЕ 33
ЛИТЕРАТУРА 34
ВВЕДЕНИЕ 3
1. Системная модель 6
2. Математическая модель 8
2.1 СеМО с ограниченным числом приборов 8
2.2 Ресурсная СеМО с неограниченным числом приборов 13
3. Имитационная модель 21
3.1 Алгоритм 21
3.2 Оценка точности имитационной модели 24
4. Численные эксперименты 26
ЗАКЛЮЧЕНИЕ 33
ЛИТЕРАТУРА 34
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.
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.
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.
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.
