АДАПТИВНИЙ РОЗПОДІЛ НАВАНТАЖЕННЯ В РОЗПОДІЛЕНИХ ОБЧИСЛЮВАЛЬНИХ СИСТЕМАХ
DOI:
https://doi.org/10.53920/ITS-2026-1-3Ключові слова:
розподілені обчислення, балансування навантаження, адаптивні алгоритми, динамічні системи, хмарні обчисленняАнотація
Метою дослідження є розроблення та теоретичне обґрунтування адаптивних методів розподілу навантаження в розподілених обчислювальних системах для підвищення продуктивності, масштабованості та стійкості до змін навантаження. Особливу увагу приділено вдосконаленню механізмів балансування в умовах динамічного середовища, характерного для хмарних, веб- та високопродуктивних обчислювальних платформ.
У роботі використано методи системного аналізу, математичного моделювання та багатокритеріальної оптимізації. Побудовано формалізовану модель розподілу завдань між вузлами з урахуванням часу виконання, пропускної здатності, ймовірності відмов та енергоефективності. Дослідження адаптивних алгоритмів здійснювалось із застосуванням підходів теорії черг, евристичних стратегій, методів кооперативних ігор та алгоритмів машинного навчання, зокрема підкріплювального навчання. Проведено порівняльний аналіз статичних, динамічних та адаптивних методів балансування.
Отримані результати підтвердили, що адаптивні алгоритми забезпечують більш рівномірний розподіл навантаження та зменшення середнього часу виконання завдань порівняно зі статичними підходами. Запропонована модель дозволяє мінімізувати коефіцієнт дисбалансу та підвищити ефективність використання ресурсів системи в умовах змінного навантаження. Доведено доцільність використання гібридних підходів, які поєднують моніторинг стану вузлів із прогнозуванням навантаження.
Удосконалено математичну модель багатокритеріальної оптимізації розподілу навантаження з урахуванням показників енергоефективності та надійності. Розвинуто підхід до інтеграції методів машинного навчання в алгоритми балансування для динамічних розподілених середовищ.
Результати можуть бути використані при проектуванні хмарних сервісів, систем потокової обробки даних, кластерних та edge-систем. Запропоновані підходи сприяють підвищенню продуктивності, зменшенню затримок і покращенню стійкості розподілених обчислювальних систем у реальних умовах експлуатації.
Посилання
1. Schaerf A., Shoham Y., Tennenholtz M. Adaptive Load Balancing: A Study in Multi-Agent Learning. arXiv preprint cs/9505102, 1995. https://doi.org/10.48550/arXiv.cs/9505102.
2. Chawla K. Reinforcement Learning-Based Adaptive Load Balancing for Dynamic Cloud Environments. arXiv preprint arXiv:2409.04896, 2024. https://doi.org/10.48550/arXiv.2409.04896.
3. Antonis K. A hierarchical adaptive distributed algorithm for load balancing. Journal of Parallel and Distributed Computing, 2004. https://doi.org/10.1016/j.jpdc.2003.07.002.
4. Dasgupta P. V_THR: An Adaptive Load Balancing Algorithm. Journal of Parallel and Distributed Computing, 1997. https://doi.org/10.1006/jpdc.1997.1321.
5. Othman O. Optimizing Distributed System Performance via Adaptive Load Balancing. In: Middleware for Communications. Springer, 2001.
6. Jiang Y., et al. A Survey of Task Allocation and Load Balancing in Distributed Systems. Southeast University Technical Report, 2015.
7. Wang L., et al. Low-Latency, High-Throughput Load Balancing Algorithms. Journal of Computational Techniques and Applied Mathematics, 2024. https://doi.org/10.5281/zenodo.12587888.
8. Penmatsa S., Penmatsa K.K.V. Adaptive Fair and Cost-Effective Load Balancing in Heterogeneous Distributed Systems. EPiC Series in Computing, 2023.
9. Albalawi N.S., et al. Dynamic scheduling strategies for cloud-based load balancing. Journal of Cloud Computing, 2025.
10. Al-Said A. ALBL: An adaptive load balancing algorithm for distributed web systems. International Journal of Computer Applications, 2014. https://doi.org/10.1504/IJCNDS.2014.064041.
11. Daghistani A., et al. Attack-Resilient Adaptive Load Balancing in Distributed Streaming Systems. IEEE Transactions on Dependable and Secure Computing, 2021. https://doi.org/10.1109/TDSC.2021.3123071.
12. Liu Z., et al. DistCache: Provable Load Balancing for Large-Scale Storage Systems with Distributed Caching. arXiv preprint arXiv:1901.08200, 2019. https://doi.org/10.48550/arXiv.1901.08200.
13. Kowalski D.R., Olkowski J. Deterministic Fault-Tolerant Local Load Balancing and its Applications against Adaptive Adversaries. arXiv preprint arXiv:2508.01373, 2025. https://doi.org/10.48550/arXiv.2508.01373.
14. Patel A., et al. A Survey Report on Distributed System Using Load Balancing Approach. International Journal of Computer Applications, 2016. https://doi.org/10.9790/0661-180405153158.
15. Zaitsev, I., Golubenko, O., Tkachenko, O., Pidmohylnyi, O., & Antonenko, A. (2023). Exploring advanced hypothesis generation in astronomy through the implementation of a mathematical model of linguistic neural networks. CEUR Workshop Proceedings, 3687, 121–128.
16. Kumar S., et al. A Survey on Various Load Balancing Approaches. International Journal of Intelligent Systems and Applications in Engineering, 2023.
17. Verma P., et al. Adaptive Load Balancing in Cloud Computing Environment. International Journal of Intelligent Systems and Applications in Engineering, 2023.
18. Lifflander J.J., et al. Optimizing Distributed Load Balancing for Workloads. Sandia National Laboratories Report, 2021.
19. Ranjan R., et al. A Survey: Load Balancing for Distributed File System. International Journal of Computer Applications, 2015.
20. Grosu D., Chronopoulos A.T., Leung M.Y. Load Balancing in Distributed Systems: An Approach using Cooperative Games. In: Proc. IEEE IPDPS, 2002.
21. Xiong H., Chen G., Li J. Adaptive Load Balancing in Large-Scale Cloud Computing Systems Using Machine Learning. Journal of Cloud Computing, 2022.
22. Nguyen T., et al. Dynamic and Adaptive Load Distribution in Heterogeneous Distributed Systems. IEEE Access, 2023.
23. Singh R., et al. Intelligent Load Balancing in Multi-Cloud Environments: A Review. Future Generation Computer Systems, 2024.
24. Ahmed M., et al. Energy-Aware Adaptive Load Balancing in Distributed Systems. Sustainable Computing: Informatics and Systems, 2021.
25. Zhang Y., et al. Reinforcement Learning for Adaptive Task Scheduling and Load Balancing in Edge-Cloud Systems. IEEE Transactions on Network and Service Management, 2022.
Завантаження
Опубліковано
Номер
Розділ
Ліцензія
Авторське право (c) 2026 Ольга Миколаївна ТКАЧЕНКО, Олександр Іванович ГОЛУБЕНКО, Сергій Миколайович КОВАЛЕНКО, Андрій Васильович САВЧЕНКО
Ця робота ліцензується відповідно до ліцензії Creative Commons Attribution 4.0 International License.
