Please use this identifier to cite or link to this item: http://repository.kpi.kharkov.ua/handle/KhPI-Press/54959
Title: Система інтелектуального управління процесом розподілу ресурсів в хмарних обчислювальних середовищах
Authors: Кучук, Георгій Анатолійович
Семенов, Сергій Геннадійович
Бульба, Сергій Сергійович
Лисиця, Дмитро Олександрович
Свістунов, Юрій Дмитрійович
Лимаренко, Вячеслав Володимирович
Резанов, Богдан Михайлович
Єфименко, Сергій Андрійович
Keywords: патент; корисна модель; інформаційні технології; програмування; обчислювальні хмари; кластерізація; нейронні мережі
Issue Date: 2018
Publisher: ДП "Український інститут інтелектуальної власності"
Citation: Пат. на корисну модель 125847 Україна, МПК (2018.01) G06F 9/00. Система інтелектуального управління процесом розподілу ресурсів в хмарних обчислювальних середовищах / Кучук Г. А., Семенов С. Г., Бульба С. С., Лисиця Д. О., Свістунов Ю. Д., Лимаренко В. В., Резанов Б. М., Єфименко С. А. ; власник Харків. нац. ун-т радіоелектроніки. – № u 2017 12846 ; заявл. 26.12.2017 ; опубл. 25.05.2018, Бюл. № 10. – 4 с. : іл.
Abstract: Система інтелектуального управління процесом розподілу ресурсів в хмарних обчислювальних середовищах включає послідовно з'єднані блок початкового виділення ресурсів екземпляру ОХ, блок прогнозування динамічних параметрів функціонування хостів (серверів) обчислювальної хмари (ОХ) і блок динамічного перерозподілу ресурсів між екземплярами ОХ, при цьому блок початкового виділення ресурсів екземпляру ОХ, що запускається, виконаний у вигляді обчислювача, що реалізує алгоритм вибору найкращого адекватного хосту для розміщення примірника в ОХ на основі аналізу ієрархій, блок прогнозування динамічних параметрів функціонування хостів (серверів) ОХ виконаний у вигляді обчислювача, що реалізує алгоритм аналізу і прогнозу навантаження ОХ за допомогою модифікованої моделі штучних нейронних мереж Елмана з вейвлет-функцією активації та навчанням за допомогою штучних імунних систем на основі історичних даних, сформованих при кластеризації методом нечітких с- середніх, при цьому блок прогнозування містить послідовно з'єднані блок нечіткої кластеризації, вхід якого з'єднаний з виходом блока початкового виділення ресурсів, блок нейромережевого прогнозування, вихід якого з'єднаний з входом блока динамічного перерозподілу ресурсів між екземплярами ОХ, і блок навчання нейромережі, з'єднаний з блоком нейромережевого прогнозу, а блок динамічного перерозподілу ресурсів між екземплярами ОХ виконаний у вигляді обчислювача, що реалізує алгоритм мінімізації нерівномірності використання навантаження на основі ситуаційного пошуку рішень. Додатково введено блок оптимізації на базі мурашиного алгоритму, що визначає найкоротшій шлях екземпляру ОХ до обчислювальних ресурсів і дає змогу збільшити пропускну можливість, а отже, пришвидшити передачу екземпляру ОХ для обчислення, блок розрахунку утилізації ресурсів U, котрий розраховує відсоток навантаження ресурсів в ОХ під час обчислення певного екземпляру, якщо рівень утилізації ресурсів ОХ близький до рівня 100 %, то обчислювальний екземпляр використовує ресурси ОХ ефективно, а також блок фінального розподілу ресурсів перерозподіляє ресурси між екземплярами ОХ з урахуванням знайденого шляху передачі, причому один вхід блока розрахунку утилізації ресурсів U з'єднаний з виходом блока динамічного перерозподілу ресурсів між екземплярами ОХ, другий - з'єднаний з виходом блока оптимізації на базі мурашиного алгоритму, а його вихід з'єднаний зі входом блока фінального динамічного розподілу ресурсів між екземплярами ОХ.
ORCID: orcid.org/0000-0003-1778-4676
URI: http://repository.kpi.kharkov.ua/handle/KhPI-Press/54959
Appears in Collections:Кафедра "Комп’ютерна інженерія та програмування"

Files in This Item:
File Description SizeFormat 
2018_Kuchuk_Patent_125847.pdf265,25 kBAdobe PDFView/Open
Show full item record  Google Scholar



Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.