СУЧАСНІ МОДЕЛІ ТА МЕТОДИ УПРАВЛІННЯ РЕСУРСАМИ РОЗПОДІЛЕНИХ КОМП'ЮТЕРНИХ СИСТЕМ
DOI: 10.31673/2412-4338.2024.019902
Анотація
Розподіл ресурсів у гетерогенних розподілених комп’ютерних системах є складним завданням, обмеженим такими факторами, як різноманітність завдань і процес прийняття рішень для вибору оптимального вузла. Традиційні методи планування мають обмеження у вирішенні цих складнощів. Це дослідження пропонує підхід до оптимізації на основі ШІ, який використовує нейронні мережі та методи глибокого навчання для ефективного розподілу завдань між різними вузлами.
Основним компонентом є нейронна мережа, яка відповідає за призначення завдань вузлам на основі таких атрибутів, як обчислювальна ефективність, безпека, відмовостійкість і затримка передавання даних. Атрибути вузла, що представляють поточний стан, постійно відстежуються та використовуються для навчання нейронної мережі, що дозволяє їй вивчати можливості вузла. Коли надходить нове завдання, навчена мережа зіставляє його з найбільш підходящим вузлом, порівнюючи вимоги до завдання з атрибутами вивченого вузла.
Масштабні експерименти порівнювали продуктивність нейронних мереж прямого зв’язку (FFNN) і згорткових нейронних мереж (CNN) у п’яти наборах даних різного розміру (100–2000 рядків, що представляють потенційні вузли). FFNN продемонстрував високу загальну точність і послідовність, досягнувши 90-98,6% точності перевірки, тоді як CNN показав коливання продуктивності.
Запропонований підхід до планування на основі штучного інтелекту забезпечує адаптивну структуру для оптимального призначення різнорідних завдань у розподілених середовищах. Основні переваги включають адаптивність до мінливих умов системи завдяки безперервному навчанню, гнучке відображення вузлів завдань на основі вивчених можливостей, масштабованість із застосуванням глибокого навчання та оптимізоване використання ресурсів шляхом підгонки завдань до відповідних вузлів.
Однак експерименти не виявили чіткої кращої архітектури нейронної мережі в усіх масштабах набору даних. Подальші дослідження спрямовані на розробку гібридної або адаптивної архітектури, яка може динамічно регулювати структуру та параметри на основі характеристик вхідних даних, поєднуючи переваги прямої та згорткової мереж для ефективного розподілу ресурсів, пристосованих до конкретних наборів даних.
Ключові слова: розподілені комп’ютерні системи, розподіл ресурсів, нейронні мережі, глибоке навчання, планування завдань, гетерогенні системи, адаптивна оптимізація.
