CC BY
14
Melnik Eduard Vsevolodovich, doctor of technical sciences, head of the laboratory, evm17@,mail. ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences,
Puha Ivan Sergeevich, lead programmer, ru. odissey@gmail. com, Russia, Taganrog, Scientific Research Institute of Multiprocessor Computing Systems named after the Academician A.V. Kalyaev,
Orda-ZhigulinaMarina Vladimirovna, senior researcher, ,jigulina@,mail.ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences,
Orda-Zhigulina Dina Vladimirovna, researcher, dinazhigulinaamail. ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences
УДК 004.75
ФОРМИРОВАНИЕ ОГРАНИЧЕНИЙ В ЗАДАЧЕ ПЕРЕНОСА ВЫЧИСЛИТЕЛЬНОЙ НАГРУЗКИ В РСАПР КАК УСЛОВИЕ ПОВЫШЕНИЯ
КАЧЕСТВА ПРОЕКТИРОВАНИЯ
Э.В. Мельник, И.Б. Сафроненкова, А.Б. Клименко
В работе представлен анализ особенностей функционирования систем автоматизированного проектирования (САПР) в «туманной» среде. Проведенный анализ показал, что приоритетным в РСАПР является получение как можно более качественного проектного решения, которое затем будет отражено в материальных объектах. Проведен анализ зависимостей качества решений от числа итераций в поисковых эволюционных алгоритмах. Сделан вывод о том, что возможность получить более качественное решение возрастает с увеличением числа итераций. На основании представленных выводов, сформулированы дополнительные ограничения, при которых возможно повысить качество проектного решения оптимизационной задачи САПР посредством максимизации выполненной работы за ограниченное время. Для выполнения данных условий предложено использовать метод решения задачи переноса вычислительной нагрузки на основе онтологического анализа.
Ключевые слова: РСАПР, качество решения, «туманные» вычисления, «облачные» вычисления, перенос вычислительной нагрузки, онтология.
Одной из главных целей автоматизированного проектирования РЭА и ЭВА является повышения качества изделий, что при современном уровне требований к выпускаемой продукции, невозможно достичь без использования САПР [1]. Более того, поскольку проектирование РЭА и ЭВА является сложным многоэтапным процессом, в него вовлекаются большие коллективы специалистов, зачастую географически распределенные. Децентрализация архитектуры САПР и переход к распределенным системам проектирования, позволяет решить вопросы коммуникационного обмена между коллективами разработчиков для решения общей задачи [2].
357
В основе распределенной архитектуры САПР лежат современные Интернет-технологии [3]. На сегодняшний день успешно функционируют распределенные САПР (РСАПР), реализованные на базе технологий «облачных» вычислений, позволяющие использовать ресурсы ЦОД в соответствии с различными сценариями «облачного» развертывания (Software As A Service, Infrastructure as a Service, Platform as a Service) [4].
Однако такой подход к реализации инфраструктуры САПР не всегда является рациональным, поскольку в процессе автоматизированного проектирования зачастую возникает «пиковая» нагрузка, что приводит к необходимости привлечения дополнительных ресурсов. Во избежание таких ситуаций, компания-разработчик вынуждена приобретать под возможные «пиковые» нагрузки дополнительно в среднем 59% вычислительных мощностей и 48% емкостей систем хранения данных, что снижает финансовую эффективность всей компании [5].
Расширение «облака» до границ сети и повсеместное внедрение технологий «туманных» вычислений позволило решить вопрос о привлечении дополнительных ресурсов за счет использования устройств «туманного» слоя [6- 8], не прибегая к услугам «облака». Здесь, как и в случае «облачного» резервирования, возникает задача, связанная с переносом вычислительной нагрузки. Причем, подход к решению данной задачи не должен противоречить главной цели автоматизированного проектирования, заключающейся в повышении качества изделия.
В данной работе сформулированы дополнительные ограничения в задаче переноса вычислительной нагрузки в РСАПР, позволяющие повысить качество проектирования.
Анализ особенностей решения задачи переноса вычислительной нагрузки в САПР. Система автоматизированного проектирования (САПР) -это организационно-техническая система, состоящая из комплекса средств автоматизации проектирования, взаимодействующего с подразделениями проектной организации и выполняющая автоматизированное проектирование [9].
Основные цели автоматизированного проектирования:
повышение качества;
снижение материальных затрат;
сокращение средств проектирования;
уменьшение или ликвидация роста числа проектировщиков и конструкторов;
повышение производительности труда проектировщиков.
В автоматизированном процессе проектирования выделяют следующие этапы: системотехническое проектирование, функциональное проектирование, конструкторское проектирование, технологическая подготовка производства. Причем на каждом этапе проектирования выполняется одинаковый набор проектных процедур, который включает в себя структурный синтез, составление математической модели и задание параметров, анализ математической модели, оптимизация математической модели и ее статистический анализ [10]. В силу высокой сложности проектируемых в настоящее время изделий ЭВА и РЭА, оптимизация проектных решений возможна только с использованием САПР, в которых широко применяются различные алгоритмы, в т.ч. эвристические [11] и эволюционные алгоритмы [12, 13].
В свою очередь, глобальная тенденция к децентрализации архитектур автоматизированных систем, позволяющая объединить географически распределенные коллективы разработчиков в решении общей задачи проектирования, привела к широкому использованию распределенных САПР (РСАПР), функционирующих, в настоящее время, на базе современных Интернет-технологий [14].
Процесс проектирования изделий РЭА - сложный и многоэтапный процесс, который зависит от многих факторов, в том числе, от навыков и способностей проектировщиков. В соответствии с существующим календарным планом проектировщики выполняют процедуры проектирования, пользуясь результатами предыдущих операций,
проведенных другими проектировщиками. При этом одной из главных главная целей автоматизированного проектирования является повышение качества проектируемого изделия.
Таким образом, на основе проведенного анализа функциональных задач и целей РСАПР, можно выделить следующие особенности ее функционирования:
- во-первых, в случае, если выполнение проектной процедуры не уложится в отведенное ей время, компания-разработчик, возможно, понесет финансовые потери;
- во-вторых, РСАПР ориентирована на решение задач оптимизации большой размерности, и получение как можно более качественного решения, которое затем будет отражено в материальных объектах, является для РСАПР приоритетным.
Далее в работе будут описаны условия, при которых возможно получение наиболее высокого по качеству решения комплексной функциональной задачи в РСАПР, функционирующей на основе технологий «туманных» вычислений.
Анализ зависимостей качества решений от количества итераций в различных алгоритмах. Эволюционные алгоритмы широко применяются для решения оптимизационных задач большой размерности, в том числе для задач САПР, что обусловлено необходимостью перебора огромного числа различных вариантов решений в поисках наилучшего. Популяционные алгоритмы (population algorithms) обеспечивают одновременную обработку нескольких вариантов решения задачи оптимизации и представляют собой альтернативу классическим «траекторным» поисковым алгоритмам, в которых в области поиска эволюционирует только один кандидат на решение этой задачи. Все популяционные алгоритмы относят к классу эвристических алгоритмов (heuristic algorithms), т.е. алгоритмов, для которых сходимость не доказана, но экспериментально установлено, что в большинстве случаев они дают достаточно хорошие решения. Главным достоинством популяционных алгоритмов является то, что они позволяют эффективнее классических отыскать субоптимальное решение, которое зачастую оказывается достаточным [15].
В работах [16, 17] были исследованы параметры эволюционных алгоритмов (метод роя частиц, алгоритм светлячков, метод отжига, метод поиска гармонии, алгоритм обезьян, алгоритм мух, алгоритм пчел) при решении оптимизационных задач. В том числе были приведены зависимости качества получаемых решений различных алгоритмов от количества итераций. Некоторые примеры такой зависимости приведены на рис. 1 -3.
4 .. . Л . * . >.AANaaAA
А
'И
/ ■ в
О - VI
— 1.-"- 1.—
—Первый тип генерации —Второй тип генерации —А— Третий тип генерации
Рис. 1. График зависимости качества решений от числа итераций для метода отжига для различных типов генерации
Аппроксимируя графики функций качества, изображенные на рис. 1-3, можно наблюдать общую для всех графиков тенденцию, заключающуюся в повышении качества с ростом числа итераций.
Важно также отметить, что улучшение по качеству находимых решений на различных интервалах итераций, также варьируется в зависимости от используемого алгоритма. Например, для алгоритма пчел получить высокое по качеству решение возможно при запуске 1/10 от общего числа итераций. При использовании метода отжига,
ситуация складывается иная. Как видно из рис. 1, улучшение по качеству идет постепенно, близко к линейной зависимости. Однако, во всех случаях качество решений повышается с ростом числа итераций.
1С 15 20 25 30 35 И 45 ЕО 55 0 0 0з 70 75 ОС 05 30 35 100 105 110
Рис. 2. График зависимости качества решений от числа итераций для алгоритма
обезьян для различных типов генерации
сч сч сч сч сч
Рис. 3. График зависимости качества решений от числа итераций для алгоритма пчел для различных типов генерации
Формирование ограничений для задачи переноса вычислительной нагрузки в САПР. Поскольку главная цель автоматизации проектирования заключается в повышении качества проектируемого изделия, то необходимо описать условия, при которых возможно получение наиболее лучшего по качеству решения в оптимизационной задаче проектирования.
Рассмотрим ситуацию, когда в РСАПР, изначально функционирующей на собственных мощностях, возникает необходимость в дополнительных ресурсах и, следовательно, в переразмещении вычислительной нагрузки. Например, в процессе автоматизированного проектирования потребность в вычислительных ресурсах возникла одновременно у многих разработчиков и существующие локальные мощности не обеспечивают получение удовлетворительного по качеству проектного решения, т.е. в сети возникла «пиковая» нагрузка. Решением данной проблемы может послужить привлечение дополнительных вычислительных мощностей из «облака». Примером реализации данного решения является «облачный» сервер НРЕ ОгееиЬаке, позволяющий решить про-
блемы локальной инфраструктуры [18]. Однако, в условиях «туманной» среды, дополнительные ресурсы возможно получить, не прибегая к «облачным» моделям, а используя устройства «туманного» слоя. В данном случае возникает необходимость решения задачи переноса вычислительной нагрузки.
Будем считать, что То - время, за которое должно быть получено приемлемое по качеству решение задачи САПР за счет использования только собственных ресурсов. Тогда, решение комплексной функциональной задачи (Ткфз) (оптимизационной задачи) будет включать в себя время, необходимое для переноса вычислительной нагрузки (Тпвн) и время использования дополнительных производительности (Тидп). При этом будем считать, что Тпвн состоит из времени, необходимого на поиск подходящих вариантов для переноса (Тпв), и время самого назначения задач на вычислительные узлы (Тнз). Для простоты изложения условимся, что Тнз величина постоянная, таким образом под временем, необходимым на поиск подходящих вариантов для переноса, сбудем подразумевать Тпвн (рис. 4).
Т = Т + Т (1)
кфз пвн идп V '
Т = Т + Т (2)
пвн пв нз ^ '
Этап решения комплексной функциональной задачи САПР
Перенос вычислительной нагрузки
Время работы РСАПР, сек
Дополнительная производительность
Рис. 4. Схема решения комплексной функциональной задачи в РСАПР за счет привлечения ресурсов «туманного» слоя
Однако особенность РСАПР, заключающаяся в приоритетности получения наилучшего по качеству решения, накладывает дополнительные ограничения на решение задачи переноса вычислительной нагрузки.
Как было показано выше, качество решения эволюционного поискового алгоритма повышается с ростом числа итераций. Таким образом, можно говорить о том, что, чем больше времени отведено на решение комплексной функциональной задачи САПР, тем выше качество проектного решения. Учитывая множественные переносы вычислительной нагрузки в «туманных» средах, связанные с динамичностью среды, время решения задачи переноса вычислительной нагрузки становится оптимизируемым критерием. Следовательно, задачу переноса вычислительной нагрузки необходимо решать как можно быстрее, для того, чтобы максимизировать время решения комплексной функциональной задачи (рис 5).
Рис. 5. Схема временных интервалов процесса проектирования в РСАПР
361
В связи с этим, дополнительные ограничения в решении задачи переноса вычислительной нагрузки в РСАПР, функционирующей на базе концепции «туманных» вычислений будут иметь следующие вид:
Тпвн ® min (3)
При этом общее время работы РСАПР не должно превышать время, отведенное на решение данной задачи в соответствии с календарным планом проектирования (Тк):
Т0 < Тк (4)
Более того, необходимым условием получения более высокого по качеству решения является требование максимизации привлекаемых мощностей, ограниченных ресурсами «туманного» слоя:
Wтуман ® max (5)
Для выполнения условия (5) необходимо располагать информацией о множестве узлов-кандидатов для переноса вычислительной нагрузки, которое наряду с необходимостью выполнения условия (3), должно быть ограниченным. Поскольку в условиях перебора вариантов решений увеличение пространства поиска ведет либо к деградации качества решения, либо к увеличению времени его получения [19].
Метод решения задачи переноса вычислительной нагрузки, предложенный в [20], в основе которого лежит онтологический анализ, позволяет с одной стороны располагать информацией об узлах-кандидатах, которая отражена в модели онтологии, с другой стороны - сократить пространство поиска за счет знаний о решаемой в РСАПР задаче, которые также отражены в модели онтологии. В работе [21] показано, что метод решения задачи переноса вычислительной нагрузки на основе онтологического анализа занимает времени в 2,51 раза меньше, чем метод на основе ЛГУ, описанный в [22].
Заключение. В ходе проведенного анализа функциональных задач и целей автоматизированного проектирования, выявлено, что главной особенностью САПР является получение наилучшего по качеству решения в задаче оптимизации. Анализ зависимости качества решений от количества итераций в поисковых эволюционных алгоритмах показал общую тенденцию, заключающуюся в повышении качества с ростом числа итераций. Это позволило сформулировать дополнительные ограничения в задаче переноса вычислительной нагрузки в РСАПР, функционирующей с привлечением дополнительных мощностей из «туманного» слоя. Описанные ограничения позволяют повысить качество проектирования в РСАПР за счет максимизации выполненной работы за ограниченное время. В дальнейших работах планируется получить численные оценки улучшения по качеству проектного решения САПР от использования метода на основе онтологического анализа для решения задачи переноса вычислительной нагрузки.
Исследование выполнено при поддержке проекта ГЗ №ГР АААА-А19-119011190173-6 и РФФИ 20-04-60485, 18-29-03229.
Список литературы
1. Курейчик В.М. Математическое обеспечение конструкторского и технологического проектирования с применением САПР: Учебник для вузов. М.: Радио и связь, 1990. 352 с.
2. Глушань В.М., Лаврик П.В. Распределенные САПР. Архитектура и возможности. Старый Оскол: ТНТ, 2015. 187 с.
3. Глушань В.М., Далекин А.В., Косов И.Ю. Конструкторское проектирование на основе сетевых технологий // Труды международных конференций «Интеллектуальные системы» (IEEE'04) и «Интеллектуальные САПР» (CAD - 2004). 2004. Т.2. С. 1519.
4. Облачные и интерактивные САПР. [Электронный ресурс] URL: https://www. autodesk.ru/solutions/cloud-based-online-cad-software (дата обращения: 02.06.2021).
5. Все как сервис [Электронный ресурс] URL: https://hpe.cnews.ru/articles/2020-10-25 hpe greenlake snizhayut rashody na korporativnoe (дата обращения: 2021.02.06).
6. Мельник Э.В., Клименко А.Б., Д.Я. Иванов Модель задачи распределения вычислительной нагрузки для информационно-управляющих систем на базе концепции туманных вычислений // Известия Тульского государственного университета. Технические науки. Вып. 2. 2018. С. 174-187.
7. Kalyaev I., Melnik E., Klimenko A. A Technique of Adaptation of the Workload Distribution Problem Model for the Fog-Computing Environment // Advances in Intelligent Systems and Computing. 2018. Vol 986. P. 87-96.
8. Melnik E.V., Klimenko A.B. A condition of reliability improvement of the system based on the fog computing concept // J. Phys.: Conf. Ser. 2020. Vol. 1661. P. 012007.
9. ГОСТ 23501.101-87. Системы автоматизированного проектирования. Основные положения // Государственный комитет СССР по стандартам, 1988. 10 с.
10. Казеннов Г.Г. Основы проектирования интегральных схем и систем. М.: БИНОМ. Лаборатория знаний, 2005. 295 с.
11. Сидорин А.Б., Ликучева Л.В., Дворянкин А.М. Методы автоматизации составления расписания занятий часть 2. Эвристические методы оптимизации // Известия волгоградского государственного технического университета. 2009. Вып. 12. С. 120123.
12. Карпенко А.П. Современные алгоритмы поисковой оптимизации. Алгоритмы, вдохновленные природой: учебное пособие. М.: Издательство МГТУ им. Н.Э. Баумана, 2014. 446 c.
13. Курейчик В.М., Курейчик В.В., Родзин С.И. Концепция эволюционных вычислений, инспирированных природными системами // ИзвестияЮФУ. Технические науки. 2009. No 4 (93). С. 16-27.
14. Дмитревич Г.Д., Анисимов Д.А. Построение систем автоматизированного проектирования на основе сервис-ориентированной архитектуры // Известия СПбГЭТУ «ЛЭТИ». 2014. № 2. С. 14-18.
15. Гладков Л.А., Лейба С.Н., Тарасов В.Б. Разработка и программная реализация гибридного алгоритма решения оптимизационных задач автоматизированного проектирования // Международный журнал Программные продукты и системы. 2018. № 33. P. 569-580.
16. Ильин Б.П. Об использовании некоторых эволюционных алгоритмов в задаче минимизации булевых функций // Известия Байкальского Государственного Университета, 2012. № 3 (83). С. 154-157.
17. Ильин Б.П. Эволюционные алгоритмы в задачах минимизации булевых функций // Известия Иркутского государственного университета. Серия Математика. 2011. № 4 (4). C. 66-81.
18. Облачная услуга HPE GREENLAKE [Электронный ресурс] URL: https://hpegreenlake.ru (дата обращения: 06.02.2021).
19. Клименко А.Б., Сафроненкова И.Б. Повышение эффективности решения задачи компоновки в РСАПР в туманных средах // Известия Тульского государственного университета. Технические науки. 2019. Вып. 2. С. 331-341.
20. Klimenko A., Safronenkova I. An Ontology-Based Approach to the Workload Distribution Problem Solving in Fog-Computing Environment. Advances in Intelligent Systems and Computing. 2019. Vol 985. P. 62-72.
21. Klimenko A.B., Safronenkova I.B. The comparative estimation of workload relocation approaches in the fog- and edge- computing environments // Journal of Physics: Conference Series. 2019. Vol. 1399. P. 033036.
22. Мельник Э.В., Клименко А.Б., Иванов Д.Я. Модель задачи формирования сообществ устройств информационно-управляющих систем в средах туманных вычислений // XIII Всероссийское совещание по проблемам управления ВСПУ-2019. Тула: Тульский государственный университет, 2018. Вып. 2.
Мельник Эдуард Всеволодович, д-р техн. наук, главный научный сотрудник, evml 7amail.ru, Россия, Ростов-на-Дону, Федеральный исследовательский центр Южный научный центр Российской академии наук,
Сафроненкова Ирина Борисовна, младший научный сотрудник, safronenkova050788@yandex.ru, Россия, Ростов-на-Дону, Федеральный исследовательский центр Южный научный центр Российской академии наук,
Клименко Анна Борисовна, канд. техн. наук, старший научный сотрудник, anna klimenkoamail.ru, Россия, Таганрог, Научно-исследовательский институт многопроцессорных вычислительных систем им А.В. Каляева, Южный Федеральный Университет
THE RESTRICTIONS FORMING IN THE WORCKLOAD RELOCATION PROBLEM IN DCAD SYSTEMS AS A CONDITION FOR DESIGN QUALITY INCREASING
E.V. Melnik, A.Y. Ostroukhov, I.S. Pukha, A.A. Rodina
In the current work the analysis of distributed CAD system functioning features in the "fog" environment was presented. It was shown that obtaining the highest possible quality design solution is in priority to distributed CAD systems. Then, this design solution will be represented in material objects. The analysis of the relations of the quality of solutions on the number of iterations in the search evolutionary algorithms is carried out. It is concluded that the possibility of obtaining a better solution increases with the number of iterations. On the basis of the presented conclusions, additional restrictions are formulated under which it is possible to improve the quality of the design solution of the CAD optimization problem by maximizing the work performed in a limited time. To fulfill these conditions, it is proposed to use an ontological based methodfor workload relocation problem solving.
Key words: distributed CAD system, solution quality, "fog" computing, «cloud» computing, workload relocation, ontology.
Melnik Eduard Vsevolodovich, doctor of technical sciences, head of the laboratory, evml 7a mail.ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences,
Safronenkova Irina Borisovna, junior research fellow, safronenko-va050 788 'ayandex. ru, Russia, Rostov-on-Don, Federal Research Center The Southern Scientific Center of the Russian Academy of Sciences,
Klimenko Anna Borisovna, candidate of technical sciences, senior research fellow, anna klimenkoa mail. ru, Russia, Taganrog, Research Institute of Multiprocessor Computation Systems n.a. A. V. Kalyaev, Southern Federal University
