Алгоритм адаптивного управлению ресурсами в распределенных динамических вычислительных системах на базе динамического управления частотой и напряжением
Е. Р. Брюханова
https://orcid.org/0000-0001-6176-837X
DOI: https://doi.org/10.47813/2782-5280-2023-2-4-0201-0208
Ключевые слова: динамическое управление ресурсами, распределенные динамические вычислительные системы, энергопотребление, производительность, временные ограничения, частота выполнения задач, оптимизация ресурсов, энергосбережение, процессорные ресурсы, динамическая адаптация, ресурсоэффективность, вычислительные задачи.
Аннотация
Данная работа посвящена разработке эффективных методов управления ресурсами в распределенных динамических вычислительных системах с акцентом на снижение энергопотребления и обеспечение временных ограничений выполнения задач. В контексте современных требований к вычислительным системам, где энергоэффективность и производительность являются ключевыми критериями, предложен новый подход к управлению ресурсами, основанный на динамическом изменении частоты выполнения задач в зависимости от временных интервалов между завершением одной задачи и началом следующей на локальных ядрах процессора. В работе представлен алгоритм динамического управления ресурсами в распределенных динамических вычислительных системах, который позволяет оптимизировать энергопотребление системы, учитывая временные ограничения выполнения задач и обеспечивая оптимальное использование процессорных ресурсов. Предложенный метод управления ресурсами позволяет достичь баланса между производительностью и энергосбережением, адаптируя систему к изменяющимся рабочим условиям. Экспериментальные результаты подтверждают эффективность предложенного метода, демонстрируя его применимость в различных сценариях работы распределенных динамических вычислительных систем. Разработанный алгоритм предоставляет перспективные возможности для оптимизации работы вычислительных систем, учитывая динамичный характер современных вычислительных задач и ограниченные ресурсы энергопотребления.
Биография автора
Е. Р. Брюханова
Брюханова Евгения Романовна, аспирант Сибирского государственного университета науки и технологий им. М.Ф. Решетнева, инженер-исследователь Сибирского федерального университета, Красноярск, Россия
Библиографические ссылки
Antamoshkin O., Bryukhanova E.. Minimizing the Carbon Footprint With the Use of Zeroing Neural Networks. Hybrid Methods of Modeling and Optimization in Complex Systems. European Proceedings of Computers and Technology. 2022; 1: 160-166. https://doi.org/10.15405/epct.23021.20
Fernández Cerero D., Fernández-Montes A., Jakóbik A., Kołodziej J., Toro M. SCORE: Simulator for cloud optimization of resources and energy consumption. Simulation Modelling Practice and Theory. 2018; 82: 160-173. DOI:10.1016/j.simpat.2018.01.004
Ma T., Chu Y., Zhao L., Otgonbayar A. Resource Allocation and Scheduling in Cloud Computing: Policy and Algorithm. IETE Technical Review. 2014; 31(1): 4-16. DOI:10.1080/02564602.2014.890837
Carrasco R., Iyengar G., Stein C. Resource Cost Aware Scheduling. European Journal of Operational Research. 2018; 269(2): 621-632. DOI:10.1016/j.ejor.2018.02.059
Coninck E., Verbelen T., Vankeirsbilck B., Bohez S., Simoens P., Dhoedt, B. Dynamic Auto-scaling and Scheduling of Deadline Constrained Service Workloads on IaaS Clouds. Journal of Systems and Software. 2016; 118: 101–114. DOI:10.1016/j.jss.2016.05.011
Yi P., Ding H., Ramamurthy B. Budget-Minimized Resource Allocation and Task Scheduling in Distributed Grid/Clouds. 2013 IEEE International Conference on Advanced Networks and Telecommuncations Systems (ANTS). 2013; 1–8. DOI:10.1109/ANTS.2013.6802891
Reddy G. A Deadline and Budget Constrained Cost and Time Optimization Algorithm for Cloud Computing. Commun. Comput. Inf. Sci. 2011; 193: 455-462.
Xin Y., Xie Z.Q., Yang J. A load balance oriented cost efficient scheduling method for parallel tasks. Journal of Network and Computer Applications. 2018; 81: 37-46. DOI:10.1016/j.jnea.2016.12.032
REFERENCES
Antamoshkin O., Bryukhanova E.. Minimizing the Carbon Footprint With the Use of Zeroing Neural Networks. Hybrid Methods of Modeling and Optimization in Complex Systems. European Proceedings of Computers and Technology. 2022; 1: 160-166. https://doi.org/10.15405/epct.23021.20 DOI: https://doi.org/10.15405/epct.23021.20
Fernández Cerero D., Fernández-Montes A., Jakóbik A., Kołodziej J., Toro M. SCORE: Simulator for cloud optimization of resources and energy consumption. Simulation Modelling Practice and Theory. 2018; 82: 160-173. DOI:10.1016/j.simpat.2018.01.004 DOI: https://doi.org/10.1016/j.simpat.2018.01.004
Ma T., Chu Y., Zhao L., Otgonbayar A. Resource Allocation and Scheduling in Cloud Computing: Policy and Algorithm. IETE Technical Review. 2014; 31(1): 4-16. DOI:10.1080/02564602.2014.890837 DOI: https://doi.org/10.1080/02564602.2014.890837
Carrasco R., Iyengar G., Stein C. Resource Cost Aware Scheduling. European Journal of Operational Research. 2018;269(2):621-632. DOI:10.1016/j.ejor.2018.02.059 DOI: https://doi.org/10.1016/j.ejor.2018.02.059
Coninck E., Verbelen T., Vankeirsbilck B., Bohez S., Simoens P., Dhoedt B. Dynamic Auto-scaling and Scheduling of Deadline Constrained Service Workloads on IaaS Clouds. Journal of Systems and Software. 2016; 118: 101-114. DOI:10.1016/j.jss.2016.05.011 DOI: https://doi.org/10.1016/j.jss.2016.05.011
Yi P., Ding H., Ramamurthy B. Budget-Minimized Resource Allocation and Task Scheduling in Distributed Grid/Clouds. 2013 IEEE International Conference on Advanced Networks and Telecommuncations Systems (ANTS). 2013; 1-8. DOI:10.1109/ANTS.2013.6802891 DOI: https://doi.org/10.1109/ICCCN.2013.6614111
Reddy G. A Deadline and Budget Constrained Cost and Time Optimization Algorithm for Cloud Computing. Commun. Comput. Inf. Sci. 2011; 193: 455-462. DOI: https://doi.org/10.1007/978-3-642-22726-4_47
Xin Y., Xie Z.Q., Yang J. A load balance oriented cost efficient scheduling method for parallel tasks. Journal of Network and Computer Applications. 2018; 81: 37-46. DOI:10.1016/j.jnea.2016.12.032 DOI: https://doi.org/10.1016/j.jnca.2016.12.032