CC BY
0
ISSN1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Научная статья УДК 004.738.5
http://dx.doi.org/10.17213/1560-3644-2024-3-19-25
Интеграция и оптимизация систем облачных, туманных и граничных вычислений: моделирование,
задержки и алгоритмы
В.А. Черепенин, С.П. Воробьев
Южно-Российский государственный политехнический университет (НПИ) имени М.И. Платова, г. Новочеркасск, Россия
Аннотация. Рассмотрены интеграция и оптимизация систем облачных, туманных и граничных вычислений с целью создания мультиуровневой, эффективной и надёжной вычислительной среды. Основное внимание уделено моделированию задержек и разработке алгоритмов оптимизации, направленных на минимизацию времени обработки и передачи данных. Проанализированы физические и логические матрицы соединений, а также характеристики элементов каждой из подсистем. Предложены целевые функции для оптимизации задержек и ограничения, основанные на технических возможностях и требованиях к качеству обслуживания. Результаты исследования могут быть использованы для проектирования и реализации интегрированных систем, требующих высокой производительности и минимальной задержки.
Ключевые слова: облачные вычисления, туманные вычисления, граничные вычисления, интернет вещей, математическое моделирование, оптимизация
Для цитирования: Черепенин В.А., Воробьев С.П. Интеграция и оптимизация систем облачных, туманных и граничных вычислений: моделирование, задержки и алгоритмы // Изв. вузов. Сев.-Кавк. регион. Техн. науки. 2024. № 3. С. 19-25. http://dx.doi.org/10.17213/1560-3644-2024-3-19-25.
Original article
Integration and optimization of cloud, fog, and edge computing systems: modeling, delays and algorithms
V.A. Cherepenin, S.P. Vorobyov
Platov South-Russian State Polytechnic University (NPI), Novocherkassk, Russia
Abstract. This article explores the integration and optimization of cloud, fog, and edge computing systems to create a multi-level, efficient, and reliable computing environment. The primary focus is on modeling delays and developing optimization algorithms aimed at minimizing data processing and transmission times. Physical and logical connection matrices, as well as characteristics of elements from each subsystem, are analyzed. Target functions for delay optimization and constraints based on technical capabilities and quality of service requirements are proposed. The findings of this study can be utilized for the design and implementation of integrated systems that require high performance and minimal latency.
Keywords: cloud computing, fog computing, edge computing, Internet of Things, mathematical modeling, optimization
For citation: Cherepenin V.A., Vorobyov S.P. Integration and optimization of cloud, fog, and edge computing systems: modeling, delays and algorithms. Izv. vuzov. Sev.-Kavk. region. Techn. nauki=Bulletin of Higher Educational Institutions. North Caucasus Region. Technical Sciences. 2024;(3):19-25. (In Russ.). http://dx.doi.org/10.17213/1560-3644-2024-3-19-25.
© ЮРГПУ (НПИ), 2024
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Введение
В современном мире цифровизации и ускоренного технологического прогресса особое значение приобретает способность систем к эффективному управлению и обработке больших объемов данных. С развитием интернета вещей (IoT) и увеличением количества устройств, подключенных к сети, возникает потребность в новых подходах к обработке данных на краю сети, уменьшении задержек и оптимизации ресурсов. Эти задачи могут быть решены с помощью интегрированной системы, состоящей из облачных, туманных и граничных вычислений.
Облачные вычисления предлагают масштабируемость и мощные ресурсы для обработки данных, однако они могут зависеть от высоких задержек из-за физического расстояния между данными и центрами обработки. Туманные вычисления привносят обработку данных ближе к источнику, сокращая задержки, но ограничены в вычислительной мощности. Граничные вычисления (edge computing) действуют на самом краю сети, обрабатывая данные непосредственно на или рядом с устройствами, генерирующими данные, что позволяет ещё больше уменьшить время реакции.
Интеграция этих трех подсистем представляет собой многообещающее решение для создания высокоэффективной и адаптивной вычислительной среды. В статье рассмотрено, как такая интеграция может быть реализована на практике, какие методы и модели могут быть применены для оптимизации их взаимодействия.
Основываясь на анализе физических и логических соединений между узлами в облачной, туманной и граничной инфраструктурах, в данной работе представлены методы управления информационными потоками и задержками [1], предложены математические модели для оценки и оптимизации производительности системы, включая механизмы распределения ресурсов и алгоритмы минимизации задержек.
Облачные вычисления
В современном технологическом ландшафте, где цифровая трансформация и большие данные становятся неотъемлемой частью бизнес-операций, облачные вычисления играют ключевую роль в обеспечении масштабируемости, гибкости и доступности данных и приложе-
ний [2]. Эти системы предоставляют вычислительные ресурсы и сервисы как услуги через интернет, что позволяет компаниям избежать затрат на обслуживание собственных физических серверов и данных центров.
Пусть О ={о(|г = 1,2,...,п0} представляет множество элементов облачных вычислений, где no - количество элементов. Эти элементы могут включать в себя сервера, хранилища данных, сетевые узлы, базы данных и программные приложения, каждый из которых выполняет специфическую функцию в рамках облачной инфраструктуры.
Матрицы соединений в облачных системах:
1. Физическая матрица связей X. Матрица X представляет физическое присутствие соединения между узлами в облачной инфраструктуре. Это двоичная матрица, где элемент Х^ = 1, если есть прямое физическое соединение между
X); = 0,
если соединения нет.
узлами i и], и Хц
Физическая матрица связей описывает физическое присутствие или отсутствие соединения между узлами и может быть представлена как 1, если между узлами г и у существует физическое соединение; 0 — соединение невозможно.
Эта матрица будет иметь размер пхп, где п - количество узлов в облачной сети.
2. Логическая матрица связей X^ Матрица X отражает программные соединения, которые могут быть не связаны с физическими соединениями. Она может быть взвешенной и отражать качество соединения или доступную пропускную способность.
Логическая матрица связей отражает программные соединения между узлами, которые могут быть настроены независимо от физической инфраструктуры:
4 =
Су, если между узлами / и у возможно логическое соединение; 0 — соединение невозможно,
где О,- - пропускная способность канала между узлами г и
Каждый элемент ы облачной инфраструктуры может быть описан следующими параметрами:
- тип элемента т° - определяет функциональное назначение элемента;
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
- интенсивность работы элемента -характеризует загрузку элемента;
- назначение элемента $0 - обработка микропотоков;
- используемые протоколы р2,..., Р^ - список протоколов, которые может поддерживать элемент;
- виртуализация У° - способность элемента создавать и управлять виртуальными машинами;
- масштабируемость М° - возможность элемента расширяться для обработки возрастающего трафика или нагрузки;
- надежность R0i - вероятность безотказной работы элемента в течение определенного времени;
- безопасность - мера защищенности данных и процессов на элементе.
Информационные потоки уО описываются как функция от интенсивности работы и пропускной способности:
уО = • су?
где Сц - пропускная способность соединения между элементами I и Ц.
Задержка 7° может быть выражена как сумма задержки обработки на элементе и времени передачи информации:
А,-
Т/ + т0,
у п 1 /
где Оц - объем передаваемой информации между узлами I иц; т° - среднее время обработки информации на узле I.
Для различных типов трафика (однородный, неоднородный, мультимедийный, файловый) параметры Сц, Оц и т° могут иметь различные значения в зависимости от требований к каждому типу.
Туманные вычисления
Туманные вычисления, как критически важное звено между центральными облачными серверами и крайними устройствами, играют ключевую роль в решении задач, связанных с уменьшением задержек, повышением эффективности обработки данных и улучшением управления устройствами интернета вещей (1оТ) [3]. В отличие от облачных вычислений, которые могут зависеть от высоких задержек из-за
физического расстояния, туманные вычисления обрабатывают данные ближе к источнику, что значительно сокращает время реакции и повышает эффективность системы.
Пусть T = {tili = 1, 2,..., nT} представляет множество элементов туманных вычислений, где пт - количество элементов. Эти элементы, включающие узлы обработки, устройства управления и хранилища данных, являются незаменимыми в обеспечении промежуточной обработки данных между пользовательскими устройствами и центральными облаками.
Матрицы соединений в туманных системах:
1. Физическая матрица соединений Xtf. Это двоичная матрица, которая указывает, существует ли прямое физическое соединение между узлами ti и tj, что критически важно для быстрой и надежной передачи данных:
—
1Ü
1, если между узлами и I^ есть прямое
физическое соединение; О — соединение невозможно.
2. Логическая матрица соединений Хть. Отображает логические или виртуальные связи, которые могут быть установлены независимо от физической инфраструктуры. Значения в этой матрице могут быть основаны на пропускной способности, качестве соединения или других логически определяемых свойствах:
Хт —
— между узлами и tj возможно
логическое соединение; О — соединение невозможно,
где сТ- - это характеристика качества или пропускной способности логического соединения.
Для каждого элемента туманных вычислений определяются следующие характеристики:
- тип элемента тТ - определяет функциональное назначение элемента;
- интенсивность работы ХТ - характеризует объем работы, которую элемент способен выполнить за единицу времени;
Т
- назначение элемента й1 - определяет роль элемента в обработке и маршрутизации данных;
Т
- протоколы Рт - перечисление протоколов, которые может использовать элемент для связи;
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
- проксимити Р1 - близость элемента к источникам данных, важная для снижения задержек;
т
- адаптивность Ау - способность элемента адаптироваться к изменяющимся условиям трафика и нагрузки;
т
- автономность А1 - степень самостоятельности элемента в принятии решений относительно обработки и передачи данных.
Информационный поток между двумя уз-
т
лами туманных вычислений Уу описывается через интенсивность работы узла Хт и логическую матрицу соединений Хц, что отражает эффективность управления данными в реальном времени:
уТТ=• ч. т
Задержка Ту в канале связи между двумя
узлами включает время, необходимое для пере-т
дачи данных Dlj, и время, необходимое для их обработки на каждом узле тт. Это критический параметр для систем, где время реакции может оказать значительное влияние на общую производительность:
Б7
Тт = + хт Т ГТ 1 ■
Граничные вычисления
Граничные вычисления представляют собой распределенный подход к обработке данных, который происходит непосредственно на или рядом с устройствами, генерирующими данные [4, 5]. Этот подход позволяет существенно уменьшить задержки, связанные с передачей данных до центральных облачных систем, и улучшить реактивность системы в целом. Граничные вычисления особенно важны в приложениях, требующих мгновенной обработки данных, таких как автономные транспортные средства, умные города и промышленный интернет вещей (1оТ) [6-8].
Обозначим G |г = 1, 2,., пс} как множество элементов граничных вычислений, где по - количество элементов. Эти элементы включают в себя устройства, выполняющие непосредственную обработку данных на краю сети, обеспечивая тем самым минимальные задержки и оптимальное распределение сетевых ресурсов.
Матрицы соединений в граничных системах: 1. Физическая матрица соединений Хо^ Эта двоичная матрица указывает, существует ли физическое соединение между элементами граничных вычислений, что критично для непосредственной передачи данных между устройствами:
1, если между gj и gj узлами есть физическое соединение; О — соединение невозможно.
Xq =
Gu
2. Логическая матрица соединений Хоь. Отличаясь от физической матрицы, логическая матрица включает в себя не только наличие соединения, но и его качество:
XLG = Gu
Сс.. — между и gj можно установить
и ^
логическое соединение; О — соединение невозможно,
где Сц.. представляет пропускную способность или другие метрики качества логического соединения.
Каждый элемент g¡ в граничных вычислениях обладает следующими характеристиками:
- тип элемента тр - определяет функциональное назначение элемента (например, узел обработки или узел хранения);
- интенсивность работы Хр - отражает объем работы, который узел способен выполнить за единицу времени;
- назначение элемента ^ - роль элемента
в локальной обработке и маршрутизации данных; р
- протоколы Рр - перечисление протоколов, используемых для связи с другими элементами;
- геолокация ZG - физическое местоположение элемента, критически важное для задач, связанных с управлением данными и задачами в
распределенных системах;
р
- латентность Ц - время задержки, связанное с обработкой и передачей данных;
- мобильность Мр - способность элемента поддерживать стабильную связь при движении или изменении местоположения.
Информационные потоки Vр в граничных вычислениях отражают объем информации, передаваемой от g¡ к
уР = ^ • Хву.
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
Задержка T^j в канале связи ]
ь У в канале связи между элементами g¡ и gj может быть выражена как
- назначение элемента
dOTG -
описывает
DG
TG _ G
i vG 4 '
где Dij - объем данных, передаваемый по каналу; тр - время обработки на узле.
Интеграция облачных, туманных и граничных вычислений
Интеграция облачных, туманных и граничных вычислений создаёт уникальную муль-тиуровневую систему, способную обеспечить высокую производительность, надёжность, масштабируемость, эффективную обработку и передачу данных с минимальными задержками для современных вычислительных приложений
[9, 10].
Система Б состоит из трёх подсистем: облачных вычислений О, туманных вычислений Т и граничных вычислений О. Элементы системы Б определяются как объединение элементов подсистем О, Т и О:Б = О и Т и О.
Матрицы соединений:
1. Физическая матрица соединений. Интегрирует физические матрицы соединений для облачных, туманных и граничных подсистем соответственно. Описывает все физические соединения между узлами во всех трёх подсистемах, включая межподсистемные соединения:
Хр=Х° и хр и Хр и х°т и Х°р и ХрР.
2. Логическая матрица соединений. Объединяет логические матрицы соединений, которые включают такие значения как пропускная способность и задержка соединений. Это обеспечивает комплексный подход к управлению данными на всех уровнях системы:
TG
XSL = xO и XT и xG и XOT и XOG и XL
Характеристики элементов в системе Б:
- тип элемента тОтр - определяет роль узлов в системе, включая серверы, маршрутизаторы, базы данных, устройства 1оТ и шлюзы.
- общая интенсивность работы 1°тр - отражает совокупную производительность всех элементов в системе, измеряемую в запросах в секунду (ЯРБ);
функциональные роли элементов, такие как обработка данных, хранение данных, мониторинг и обеспечение безопасности;
OTG
- используемые протоколы P° - включает стандартные и специфичные протоколы, такие как HTTP, MQTT, CoAP, AMQP и WebSocket, поддерживающие межсистемное взаимодействие.
Объем информации Vj определяется как произведение интенсивности работы узла X на значение из логической матрицы соединений Xjj, отражающее пропускную способность между узлами i и j:
Vjj = Xi ' Xj.
Задержка Tj, в канале связи между двумя узлами может быть выражена как функция f (Vjj, P, Dj) где Pi - набор протоколов для узла i; Dj - объем данных для передачи; функция f отражает взаимосвязь между объемом информации и используемыми протоколами:
Tjj = f (Vj, ph Djj).
После рассмотрения структуры и основных характеристик интегрированной системы S, включающей облачные, туманные и граничные вычисления, следующим важным аспектом является оптимизация производительности системы с акцентом на минимизацию задержек. Задержки могут значительно повлиять на эффективность и реактивность системы, особенно в приложениях, требующих высокой пропускной способности и низкой латентности, таких как IoT, автономные транспортные средства и реальное время обработки данных. В этой связи разработка целевых функций для оптимизации задержек становится ключевым элементом управления и повышения эффективности системных операций.
Целевые функции
Целевые функции для оптимизации задержек в системе могут быть представлены следующим образом:
Вариант 1:
Tj = a-(ET? + ITT + iTj ) + в x
(ITT+IT/G + ItTG),
x
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
где а и ß - весовые коэффициенты, отражающие значимость внутрисистемных и межсистемных задержек соответственно. Вариант 2:
TS = woLTOi + wt!Tt + waLTGi + wOT x
x ITf + woilj + WTGITG,
где wo, wt, wg, wot, wog, wtg - веса, отражающие важность каждого типа задержек. Вариант 3:
сети. Это позволяет более точно предсказывать и оптимизировать время обработки данных в системе:
4 = f (Dp j Cp pi)■
TS = KcyTj + byQoSjj),
-v J
где сц и bij - коэффициенты, учитывающие специфику каждого соединения и требования к качеству обслуживания.
Все задержки подлежат ограничениям, основанным на технических возможностях и требованиях к качеству обслуживания:
C . > V.. T < T
ij — ip ij — maxi
где Сц - пропускная способность соединения; Vij - объем информации; Tmax - максимально допустимая задержка.
Для полного и всестороннего понимания функционирования интегрированной системы облачных, туманных и граничных вычислений, крайне важно обратить внимание не только на структурные аспекты и механизмы взаимодействия между подсистемами, но и на динамические процессы, такие как оптимизация задержек и управление ресурсами. Это подводит к разработке математической модели задержек, которая учитывает статические и динамические факторы, влияющие на производительность системы.
Оптимизационные процессы в интегрированной системе подчиняются следующим условиям:
- пропускная способность каждого соединения не должна быть превышена, обеспечивая тем самым надёжное и стабильное соединение между узлами;
- задержка для каждого соединения не должна превышать заданный уровень качества обслуживания, что критически важно для приложений, требующих реального времени.
Модель задержек в нашей системе учитывает не только фиксированные задержки, но и те, которые зависят от динамических факторов, таких как текущий объем трафика и состояние
j </'
Функция задержки Tj включает в себя следующие параметры: Dj - объем данных между узлами i и j; \ц - интенсивность трафика между узлами; Cj - пропускная способность соединения между узлами; Pi - протоколы, используемые узлом i.
Задача оптимизации заключается в минимизации функции Tj, с учётом ограничений на ресурсы и качество обслуживания. Это может быть сформулировано как задача минимизации с ограничениями, где Tmax - максимально допустимая задержка для обслуживания качества.
Заключение
Рассмотрена интеграция облачных, туманных и граничных вычислений в единую мульти-уровневую систему. Основное внимание уделено анализу задержек в системе, их оптимизации и управлению ресурсами для обеспечения эффективной работы системы. Разработаны целевые функции для минимизации задержек, учитывающие как внутрисистемные, так и межсистемные задержки. Оптимизация этих параметров осуществляется через строгие ограничения на пропускную способность и качество обслуживания, что критично для приложений реального времени.
Список источников
1. Мельник Э.В., Клименко А.Б. Модель задачи распределения вычислительной нагрузки для информационно-управляющих систем на базе концепции туманных вычислений // Изв. ТулГУ. Техн. науки. 2018. №2. С. 174-187.
2. Al-Doghman F., Chaczko Z., Ajayan A.R., Klempous R. A review on Fog Computing Technology // Conference Proceedings of 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016 (Budapest, Hungary, October, 9-12, 2017). Institute of Electrical and Electronics.
3. Armbrust M., Fox A., Griffith R., et al. A View of Cloud Computing // Communications of the ACM. 2010 Vol. 53, No. 4. Рр. 50-58.
4. Bonomi F., Milito R., Zhu J., Addepalli S. Fog Computing and Its Role in the Internet of Things // Proceedings of the 1 st ACM Mobile Cloud Computing Workshop, MCC'12 (Helsinki, Finland, August).
ISSN 1560-3644 BULLETIN OF HIGHER EDUCATIONAL INSTITUTIONS. NORTH CAUCASUS REGION. TECHNICAL SCIENCES. 2024. No 3
5. Bonomi F. Connected vehicles, the internet of things, and fog computing. / The Eighth ACM International Workshop on Vehicular Inter-Networking (VANET), Las Vegas, USA, 2019.
6. Черепенин В.А., Смык Н.О., Воробьев С.П. Интеграция облачных, туманных и граничных технологий для оптимизации высоконагруженных систем // Программные системы и вычислительные методы. 2024. № 1, (дата обращения: 15.05.2024)
7. Antonio S. Cisco Delivers Vision of Fog Computing to Accelerate Value from Billions of Connected Devices 2014 P. 1-4.
8. Tao W., Zhao L., Wang G., Liang R. Review of the internet of things communication technologies in smart agriculture and challenges. Computers and Electronics in Agriculture. 2021. No 189. Pp. 106-352.
9. Касаткин П.А. Облачные вычисления - будущее мирового рынка информационных технологий // Научно-методический электронный журнал «Концепт». 2016. Т. 34. С. 138-145.
10. Кадникова О.В., Крамаренко В.А. Этнокультурные особенности интернет-коммуникации // Вестник магистратуры. 2016. №5(56). С. 52-56.
References
1. Melnik E.V., Klimenko A.B. A model of the computational load distribution problem for information management systems based on the concept of fog computing. Izvestiya TulGU. Technical sciences. 2018;(2):174-187. (In Russ.)
2. Al-Doghman F., Chaczko Z., Ajayan A.R., Klempous R. A review on Fog Computing Technology. Conference Proceedings of 2016 IEEE International Conference on Systems, Man, and Cybernetics, SMC 2016. Budapest, Hungary, October, 9-12, 2017. Institute of Electrical and Electronics.
3. Armbrust M., Fox A., Griffith R., et al. A View of Cloud Computing. Communications of the ACM. 2010;53(4):50-58.
4. Bonomi F., Milito R., Zhu J. and Addepalli S. Fog Computing and Its Role in the Internet of Things. Proceedings of the 1st ACM Mobile Cloud Computing Workshop, MCC'12. Helsinki, Finland, August.
5. Bonomi F. Connected vehicles, the internet of things, and fog computing. The Eighth ACM International Workshop on Vehicular Inter-Networking (VANET). Las Vegas, USA. 2019.
6. Cherepenin V.A., Smyk N.O., Vorobyov S.P. Integration of cloud, fog and boundary technologies for optimization of highly loaded systems. Software systems and computational methods. 2024;(1). Available at: https://nbpublish.com/library_read_article.php?id=69900 (accessed 15.05.2024)
7. Antonio S. Cisco Delivers Vision of Fog Computing to Accelerate Value from Billions of Connected Devices. 2014. Pp. 1-4.
8. Tao W., Zhao L., Wang G., Liang, R. (2021). Review of the internet of things communication technologies in smart agriculture and challenges. Computers and Electronics in Agriculture.2021;(189):106-352.
9. Kasatkin P. A. Cloud computing - the future of the global information technology market. Scientific and methodological electronic journal "Concept". 2016;(34):138-145. (In Russ.)
10. Kadnikova O.V., Kramarenko V.A. Ethnocultural features of Internet communication. Bulletin of the Magistracy. 2016;(5):52-56. (In Russ.)
Сведения об авторах
Валентин Анатольевич Черепенинв - аспирант, кафедра «Информационные и измерительные системы и технологии», cherept2@gmail.com
Сергей Петрович Воробьев - канд. техн. наук, доцент, кафедра «Информационные и измерительные системы и технологии», vsp1999@yandex.ru
Information about the authors
Valentin A. Cherepenin - Graduate Student, Department «Information and Measurement Systems and Technologies», cherept2@gmail.com
Sergey P. Vorobyov - Can. Sci. (Eng.), Associate Professor, Department of «Information and Measurement Systems and Technologies», vsp1999@yandex.ru
Статья поступила в редакцию / the article was submitted 27.05.2024; одобрена после рецензирования / approved after reviewing 14.06.2024; принята к публикации/acceptedfor publication 17.06.2024.
