ГІБРИДНА АРХІТЕКТУРА ШТУЧНОГО ІНТЕЛЕКТУ ДЛЯ ДИНАМІЧНОГО ПЛАНУВАННЯ РОБОЧОГО НАВАНТАЖЕННЯ У ВЕЛИКОМАСШТАБНИХ РОЗПОДІЛЕНИХ ОБЧИСЛЮВАЛЬНИХ СИСТЕМАХ
DOI: 10.31673/2412-4338.2025.013820
Анотація
Це дослідження представляє нову гібридну архітектуру штучного інтелекту для оптимізації планування завдань у великомасштабних розподілених обчислювальних середовищах, поєднуючи розподілені планувальники штучного інтелекту (AIS) із централізованим рівнем дерева рішень (DT) для досягнення надзвичайної точності та адаптивності планування. Традиційні підходи до планування борються з неоднорідними середовищами, що призводить до неоптимального використання ресурсів, які наша дворівнева архітектура вирішує за допомогою планувальників штучного інтелекту на рівні кластера, які попередньо вибирають відповідні вузли на основі чотирьох ключових показників: продуктивності, швидкості передачі даних, оперативного часу та безпеки. рівень. Архітектура нейронної мережі використовує два приховані рівні з функціями активації ReLU, тоді як рівень дерева рішень використовує розширений алгоритм CART для остаточного вибору вузла, що включає як основні характеристики, так і історичні дані про продуктивність. Експерименти, проведені на масштабах розгортання від 5 кластерів (500 вузлів) до 30 кластерів (15000 вузлів), демонструють, що гібридний підхід досягає 99-100% точності вибору вузлів, значно перевершуючи точність автономного AI Scheduler (94-96%), зберігаючи незмінну ефективність і прозорі процеси прийняття рішень у всіх масштабах. Ця архітектура є особливо ефективною для хмарних обчислювальних середовищ, розгортань IoT і розподілених систем, що вимагають складного розподілу ресурсів, створюючи масштабоване, точне та інтерпретоване рішення для планування, яке ефективно поєднує локальний штучний інтелект із централізованим прийняттям рішень для широкого застосування в областях, що потребують динамічного розподілу ресурсів. у розподілених середовищах.
Ключові слова: розподілене планування завдань, штучний інтелект, гібридна архітектура, дерева рішень, нейронні мережі, гетерогенні системи, оптимізація ресурсів, хмарні обчислення.
