Розробка гібридної архітектури оптимізації, що поєднує статичне планування з динамічним балансуванням навантаження

Анотація

Сучасні паралельні та розподілені обчислювальні системи характеризуються високою складністю, гетерогенністю ресурсів і змінною інтенсивністю навантаження, що ускладнює ефективне планування та використання обчислювальних потужностей. Традиційні методи статичного або виключно динамічного планування не забезпечують необхідної адаптивності та прогнозованості продуктивності в реальних умовах експлуатації. У зв’язку з цим актуальним є створення гібридних методів, які поєднують попередній аналіз обчислювальних задач із адаптивним керуванням ресурсами під час виконання. Метою цієї статті є розробка гібридної архітектури оптимізації обчислювальних процесів у паралельному середовищі, що інтегрує структурний, статистичний та інтелектуальний рівні аналізу та поєднує статичне планування з динамічним балансуванням навантаження. Основним результатом дослідження є розробка архітектури, у якій обчислювальний процес формалізується у вигляді орієнтованого ациклічного графа задач з урахуванням їх ресурсних характеристик і залежностей. На основі офлайн-профілювання побудовано емпіричні моделі масштабування та часу виконання, які використовуються для початкової конфігурації розподілу ресурсів. Інтелектуальний рівень реалізовано у вигляді нейромережевого модуля прогнозування ефективності виконання задач залежно від параметрів розміщення та поточного стану обчислювального середовища. Для навчання та оцінювання моделі використано методи регресійного аналізу, багатошарову нейронну мережу типу MLP, а також статистичну валідацію прогнозів за експериментальними даними профілювання. Оптимізація розподілу задач здійснюється з використанням евристичних алгоритмів жадібного типу та генетичних алгоритмів, що дозволяє знаходити компромісні рішення за часовими й енергетичними критеріями в умовах обмежених ресурсів. Чисельні експерименти для задач множення блочних матриць і розв’язання рівняння теплопровідності підтвердили переваги гібридної методики. Результати дослідження показали, що поєднання офлайн-аналізу з онлайн-адаптацією дозволяє підвищити продуктивність паралельних обчислень і зменшити втрати, пов’язані з дисбалансом навантаження. Досягнуто прискорення до 18 разів, зниження часу очікування до 27% та точність прогнозування продуктивності на рівні 93–96%. Розроблена гібридна архітектура є ефективним інструментом оптимізації обчислювальних процесів у динамічних гетерогенних середовищах і може бути використана як основа для подальшого розвитку інтелектуальних систем керування паралельними обчисленнями.