CC BY
33
УДК 004.75
МЕТАПЛАНИРОВАНИЕ И УПРАВЛЕНИЕ РЕСУРСАМИ В ГРИД
Виктор Васильевич Топорков, д-р техн. наук, профессор, заведующий кафедрой,
e-mail: [email protected], Дмитрий Михайлович Емельянов, канд. техн. наук, доцент, e-mail: [email protected], Национальный исследовательский университет «МЭИ», http://www.mpei.ru, Анна Станиславовна Топоркова, канд. техн. наук, доцент, Национальный исследовательский университет Высшая школа экономики,
e-mail: [email protected], http://www.hse.ru
Рассматриваются вопросы планирования вычислений в распределенных средах с неотчуждаемыми ресурсами на основе грид-технологий.
Ключевые слова: распределенные вычисления, грид, неотчуждаемые ресурсы, планирование, виртуальные организации, экономические механизмы
Работа выполнена при поддержке РФФИ (проекты 15-07-02259, 15-0703401), Совета по грантам Президента Российской Федерации для поддержки ведущих научных школ и молодых российских ученых (НШ-6577.2016.9, МК-4148.2015.9), Минобрнауки России, государственное задание (проект 2.9606.2017/БЧ).
Введение
В условиях неотчуждаемости ресурсов в ряде случаев весьма эффективными оказываются так называемые экономические модели планирования распределенных вычислений [1-5]. При планировании на уровне приложений роль посредников между пользователями и вычислительными узлами выполняют брокеры ресурсов. В рамках этого направления выполнен ряд проектов, в частности, AppLeS, APST, Legion, DRM, Condor-G, Nimrod/G. Системы планирования и управления ресурсами являются хорошо масштабируемыми и адаптируемыми к особенностям приложений. Однако использование независимыми пользователями различных критериев для оптимизации планов выполнения заданий может ухудшать такие интегральные характеристики, как время выполнения пакета заданий и загрузка ресурсов. Наличие определённых правил предоставления и потребления ресурсов в виртуальных организациях (ВО) позволяет повысить эффективность планирования и распределения ресурсов на уровне потоков заданий. При этом, как правило, политика ВО не учитывает предпочтения отдельных пользователей, что не позволяет говорить о справедливом разделении ресурсов. Идея использования преимуществ обоих вышеупомянутых подходов развивается довольно давно [6-8]. Однако успешные попытки её реализации обладают рядом серьёзных ограничений. Так, в одних из известных моделей [9-11] отыскивается лишь подходящий набор ресурсов [2-4] и не поддерживаются оптимизационные механизмы планирования заданий. В других моделях [1, 2, 4], не представлены аспекты, связанные с динамикой изменения загрузки узлов, конкуренцией независимых пользователей, а также глобальных и локальных потоков заданий.
Зачастую предпочтения участников ВО по ряду причин являются противоречивыми. В частности, из-за конкуренции за использование разделяемых ресурсов между независимыми пользователями, пользовательских и локальных потоков заданий владельцев вычислительных узлов. Это требует использования многокритериальных мо-
делей планирования и распределения вычислительных ресурсов. Политика ВО регламентирует механизмы взаимодействия между участниками ВО, правила распределения и использования доступных ресурсов, а также определяет квоты на их использование для пользователей [12, 13], причём определение данных квот может носить как статический [13], так и динамический характер [12]. Кроме определения квот, политика ВО может обеспечивать оптимизацию планирования и выполнения заданий с целью достижения общих предпочтений. Это может быть оптимизация пользовательских критериев при выполнении отдельных заданий [2, 14], балансировка загрузки доступных ресурсов [15], обеспечение порядка выполнения заданий и определение правил их прио-ретизации [16, 17], оптимизация планирования согласно заданному критерию [18, 19].
Стоит отметить, что между предпочтениями отдельных пользователей, и предпочтениями ВО, могут возникать конфликты. Так, пользователи чаще всего заинтересованы в наискорейшем выполнении собственных заданий при минимальных затратах. В то же время, политика ВО может быть направлена на балансировку нагрузки доступных ресурсов или на максимизацию доходов владельцев ресурсов, что противоречит предпочтениям пользователей. Кроме того, само наличие экономических механизмов взаимодействия понижает стремление к кооперации [20] и объединению в ВО. Таким образом, для стабильного функционирования и сохранения состава ВО использующиеся в ней правила распределения ресурсов должны учитывать предпочтения всех участников распределенных вычислений. Важным условием для кооперации и объединения в ВО является справедливость этих правил. В различных подходах понятие справедливости понимается по-разному. Большое количество работ основано на теоретико-игровом понятии справедливости и теории кооперативных игр. К примеру, можно говорить о справедливости при определении и распределении квот на использование ресурсов [12, 21], или при задании порядка выполнения заданий от пользователей [16, 17]. В работе [22] предлагается подход к справедливому планированию в ВО без введения экономических взаимоотношений. В ряде исследований предпочтения участников ВО обычно учитываются лишь частично: либо собственники ресурсов конкурируют за выполнение заданий, оптимизируя значения пользовательских критериев [2, 23], либо главная цель состоит в эффективном использовании ресурсов и при этом предпочтения пользователей не принимаются во внимание [16]. В некоторых работах используются мультиагентные экономические модели [1, 24]. Однако в этих случаях не удается оптимизировать выполнение всего потока заданий.
В циклической схеме планирования (ЦСП), предложенной в [25, 26] и развиваемой в [27-31], понятие справедливости разделения ресурсов выражается в предоставлении каждому участнику ВО механизмов, позволяющих воздействовать на результаты планирования согласно собственным предпочтениям.
Сравнительный анализ стратегий планирования заданий
Реализация модели справедливого распределения ресурсов (МПСР) строится на основе иерархической схемы управления потоками заданий и цикличного планирования структурированной системы заданий. ЦСП дополняется следующими механизмами. Предлагается метод планирования с использованием бэкфиллинга (МПБ), который совмещает в себе преимущества как МПСР, так и бэкфиллинга (БФ). При этом оптимизируется выполнение наиболее трудоемких заданий, эффективно используются ресурсы, преимущественно соблюдается дисциплина очереди выполнения заданий и достигаются сравнимые с БФ значения времени старта.
В рамках иерархической структуры распределения потоков заданий важными являются проблемы выбора конфигурации и состава доменов вычислительных ресурсов, а также локальных алгоритмов планирования на уровне отдельных доменов. Здесь целесообразно рассмотреть два подхода: 1) выбор на основе схожести характеристик ресурсов (производительности, уровню загруженности, стоимости и т.д); в этом случае мы имеем дело с относительно однородным составом ресурсов домена; 2) выбор на ос-
нове, например, географической распределённости или наибольшей связанности ресурсов; в этом случае домены могут иметь относительно более разнородный (по производительности, стоимости) состав.
Таким образом, возникает задача исследования эффективности применения различных стратегий планирования с точки зрения эффективности использования доступных ресурсов в зависимости от степени разнородности среды. Для экспериментов использован симулятор ВО грид [25].
На первом этапе эксперимента домен формируется из узлов с относительной производительностью р е [5, 6] относительных единиц. Таким образом, мы имеем домен с низким уровнем разнородности ресурсов. На втором этапе эксперимента производительность узлов домена варьируется в пределах р е [2, 10], что определяет средний уровень разнородности ресурсов. На третьем этапе эксперимента производительность ресурсов домена изменяется в пределах р е [1, 10] (высокий уровень разнородности ресурсов). Кроме того, на каждом этапе рассматривается два уровня ценовой политики. Консервативная, когда стоимость использования ресурса («базовая») является функцией от его производительности (любые два ресурса с одинаковой производительностью будут иметь одинаковую стоимость использования) и агрессивная, когда отклонение от «базовой» стоимости ресурса является случайной величиной и может достигать 60% в меньшую (скидка) или большую (наценка) сторону.
На рис. 1, 2 представлены средние значения времени старта и выполнения заданий на первом этапе эксперимента - с низким уровнем разнородности среды при консервативной и агрессивной ценовой политике.
Время Старта
Процессорное время
140 120 100
ЦСГ1
МПБ ■ БФ
180 160 140 120 100
ЦСП
МПБ I БФ
Консервативная Агрессивная
Ценовая политика
Рис. 1. Среднее время старта заданий для низкого уровня разнородности узлов
Консервативная Агрессивная
Ценовая политика
Рис. 2. Среднее время выполнения заданий для низкого уровня разнородности узлов
При низком уровне загрузки среды наименьшее время старта заданий обеспечивает бэкфиллинг (преимущество перед циклической схемой планирования достигает 80%, а перед МПБ - 50%). При этом преимущество ЦСП по времени выполнения незначительно (около 3%). Это объясняется, прежде всего, однородностью найденных альтернатив выполнения для заданий пакета. Агрессивная ценовая политика позволяет уменьшить время выполнения заданий при применении ЦСП и МПБ, но не дает значительного эффекта.
На рис. 3, 4 представлены результаты второго этапа эксперимента с использованием различных ценовых политик.
Время Старта
Процессорное время
160 140 120 100 во 60 40 20 0
цс: МП1 I БФ
180 160 140 120 100 ВО 60 40
ЦС]
Консервативная
Агрессивная
Консервативная
Агрессивная
Ценовая политика Рис. 3. Среднее время старта заданий для сред-
Ценовая политика Рис. 4. Среднее время старта заданий для средне-
него уровня разнородности узлов го уровня разнородности узлов
При среднем уровне разнородности ресурсов бэкфиллинг сохраняет преимущество по среднему времени старта заданий, однако преимущество ЦСП и МПБ по времени выполнения становится более ощутимым и достигает 25% в случае использования агрессивной ценовой политики.
Наконец, на рис. 5, 6 представлены результаты третьего этапа эксперимента с высоким уровнем разнородности ресурсов.
Время Старта Процессорное время
цеп
МПБ
■ БФ
II
ЦСП МПБ I БФ
Консервативная Агрессивная Консервативная Агрессивная
Ценовая политика Ценовая политика
Рис. 5. Среднее время старта заданий для Рис. 6. Среднее время выполнения заданий высокого уровня разнородности узлов для высокого уровня разнородности узлов
При высоком уровне разнородности состава ресурсов домена преимущество бэк-филлинга по времени старта заданий сохраняется на уровне 80%, в то время как преимущество ЦСП по времени выполнения продолжает расти и достигает 40%.
В результате проведенных экспериментов можно сделать вывод, что в случае однородного состава ресурсов домена наиболее эффективным алгоритмом планирования с точки использования доступных ресурсов является бэкфиллинг. Однако, в случае, если домен состоит из ресурсов, производительность которых значительно различается, имеет смысл использовать ЦСП или МПБ. Циклическая схема обеспечивает лучшее значение времени выполнения, а МПБ - не худшее значение практически всех рассматриваемых показателей эффективности использования ресурсов (время старта, завершения, выполнения заданий) по сравнению с бэкфиллингом, при этом обеспечивая эффективное выполнение части наиболее приоритетных заданий пакета.
Методы актуализации стратегий планирования и механизмы перераспределения потоков заданий между вычислительными узлами распределенной среды
В иерархической модели планирования распределенных вычислений возникают проблемы выбора состава доменов ресурсов и распределения потока заданий между доступными доменами. Для эффективного распределения потоков заданий может быть использована мета-информация из ресурсных запросов, содержащих пользовательские данные и требования к качеству обслуживания при выполнении заданий. В ЦСП в ресурсном запросе формулируются следующие основные требования для выбора подходящих ресурсов.
1. Количество п вычислительных узлов, одновременно выделенных для выполнения задания.
2. Минимальный подходящий уровень производительностир узлов.
3. Время ^ резервирования ресурсов с учетом того, что задание будет выполняться на узлах с производительностью р.
4. Максимальный бюджет S, выделяемый для выполнения задания. Средняя максимально допустимая пользователем удельная стоимость использования одного вычислительного узла вычисляется как с = £ / ¿п.
Таким образом, данная модель опирается на пользовательскую оценку времени выполнения задания.
Для описания вычислительных узлов мы выделяем следующие параметры.
1. Показатель производительности вычислительного узла р0.
2. Удельная стоимость с0 использования ресурса.
3. Локальное расписание загрузки ресурса на интервале планирования.
При помощи относительного показателя производительности вычислительных узлов р0 можно вычислить время выполнения задания на узлах различной производительности. Так, заявленное в ресурсном запросе время выполнения задания может уменьшиться при использовании более производительных ресурсов.
Для решения задачи распределения поступающих заданий по потокам, необходимо выделить факторы, влияющие на «совместимость» заданий и доменов. В данном контексте термин «совместимость» употребляется в качестве показателя того, насколько параметры среды удовлетворяют требованиям задания, тем самым увеличивая вероятность его успешного планирования в текущем цикле. Так, чем выше значение показателя совместимости, тем больше вероятность успешного планирования и выполнения задания на рассматриваемом цикле/интервале планирования.
Для того, чтобы иметь возможность соотнести параметры задания с характеристиками среды, необходимо выделить из них наиболее существенные для успешного распределения задания:
1. п0 - общее число узлов в домене; п0* -число узлов, подходящих для выполнения данного задания и обладающих минимальной необходимой производительностью pi > р;
2. р0 - средняя производительность узлов в домене;
3. N1 - общее количество слотов, доступных на интервале планирования;
4. 10 - средняя длительность доступных слотов;
5. У0 = N110 -суммарная длительность всех слотов;
6. с0 - средняя удельная стоимость использования вычислительного узла;
7. Q0 - среднее значение коэффициента цена/качество для ресурсов домена.
Для отдельного вычислительного узла Qi = ci / р1 представляет собой стоимость использования единицы производительности в единицу времени; соответствующий минимально допустимый коэффициент цены/качества для задания рассчитывается как Q = с/р = Б / 1пр.
ЦСП обладает двумя важными особенностями. Во-первых, результат планирования задания напрямую зависит от его приоритета в очереди. Во-вторых, ЦСП позволяет найти максимально возможное число различных альтернатив выполнения задания. Для определения наиболее значимых характеристик успешного назначения задания проведена серия из 5000 экспериментов, в каждом из которых осуществлялось планирование пакета из 40 заданий. Информация о параметрах каждого задания, а также количестве найденных для него альтернатив сохранялась в типизированный файл для дальнейшего использования. Кроме того, аналогичным образом сохранялась информация о вышеописанных параметрах среды. На протяжении всей серии экспериментов параметры среды полагались неизменными, а пакет заданий генерировался в каждом эксперименте. Это позволило собрать статистику о 20 000 исходов планирования заданий с различными характеристиками. Для анализа результатов и определения значимых параметров разработан модуль графического представления результатов планирования. Каждое задание представляется точкой, размер которой прямо пропорционален количеству найденных для задания альтернатив выполнения. Например, на рис. 7, а показано множество заданий, для которых не было найдено ни одной альтернативы выполнения: все задания представлены точками красного цвета одинакового минимального размера. Вертикальные линии на рис. 7 представляют собой средние значения Q0 в домене. Из рис. 7 видно, что успешность выполнения задания в значительной степени зависит от значения коэффициента цена/качество, и довольно незначительно от запрашиваемого времени резервирования ресурсов. Чем большее значение Q имеет задание, и чем больше оно превышает аналогичное среднее значение Q0 по домену, тем больше вероятность успешного выполнения. Это подтверждается относительно небольшим количеством точек справа от линии Q0 на рис. 7, а. Кроме того, для заданий с большим значением Q, как правило, удавалось найти больше альтернатив выполнения (голубые точки становятся крупнее справа от линии Q0 на рис. 7, б).
Стоит отметить, что гиперболические очертания, просматривающиеся на рис. 7, следуют из вышеприведенных зависимостей параметров / и Q.
На рис. 8 представлены результаты планирования в координатах Q - р. Вертикальная линия представляет собой среднее значение коэффициента цена/качество Qo в домене. Горизонтальная линия - среднюю производительность вычислительных узлов
(а)
(б)
Рис 7. Результаты планирования потока заданий в координатах Q - V. (а) - подходящие ресурсы не найдены; (б) - подходящие ресурсы выделены и задание успешно выполнено
домена р0. Как видно из рис. 8, вероятность успешного выполнения заданий значительно возрастает, когда параметры Q и р задания примерно равны или превосходят соответствующие средние показатели домена Q0 и р0. Число альтернатив выполнения также значительно возрастает для заданий с высоким Q и невысокими требованиями к ресурсам.
На рис. 9 представлены результаты в координатах п - р, где горизонтальная линия, также как и на рис. 8, представляет собой среднюю производительность вычислительных узлов домена. Из рис. 9, б можно видеть, как значения п и р, а также соотношение р и р0 влияют на количество найденных для заданий альтернатив выполнения.
В результате проведённого моделирования выделены параметры Q0, р0, 10, ¥0. ресурсного домена, оказывающие наибольшее влияние на результаты успешного планирования.
р
яшш
Оо О
Рис. 8. Графическое представление заданий, для которых не удалось выделить подходящие ресурсы (в координатах Q-р)
\ !
(а) (б)
Рис 9. Результаты планирования потока заданий в координатах п - р. (а) - подходящие ресурсы не найдены; (б) - подходящие ресурсы выделены и задание успешно выполнено
Заключение
В работе предложены методы и средства метапланирования потоков заданий и пользовательских приложений, а также реализация концепции так называемого справедливого разделения ресурсов на основе учета предпочтений всех участников ВО грид.
Авторы считают, что в данной работе новыми являются следующие положения и результаты:
На основе сочетания циклической схемы и бэкфиллинга предложен комбинированный подход (эвристика МПБ).
С использованием этой эвристики удается эффективно использовать доступные ресурсы и избежать их фрагментации (за счет применения бэкфиллинга) при эффективном выполнении части потока заданий в ВО (за счет оптимизации в МПСР).
Проведен сравнительный анализ стратегий планирования заданий в доменах узлов неоднородных вычислительных сред.
Разработаны методы прогнозирования состояния ресурсов с целью актуализации стратегий планирования и исследованы механизмы распределения потоков заданий между вычислительными узлами распределенной среды.
Литература
1. Buyya, R., Abramson, D., Giddy, J.: Economic Models for Resource Management and Scheduling in Grid Computing. J. Concurrency and Computation 14, 5, 1507-1542 (2002)
2. Ernemann, C., Hamscher, V., Yahyapour, R.: Economic Scheduling in Grid Computing. In: Feitelson, D.G., Rudolph, L., Schwiegelshohn, U. (eds.) JSSPP 2002. LNCS, vol. 2537, pp. 128152. Springer, Heidelberg (2002)
3. Lee, Y.C., Wang, C., Zomaya, A.Y., Zhou, B.B.: Profit-driven Scheduling for Cloud Services with Data Access Awareness. J. Par. and Distr. Computing 72, 4, 591-602 (2012)
4. Коновалов М.Г., Малашенко Ю.Е., Назарова И.А. Управление заданиями в гетерогенных вычислительных системах // Известия РАН. Теория и системы управления. 2011. № 2. С. 43-61.
5. Коновалов М.Г., Душин Ю.А., Малашенко Ю.Е., Шоргин С.Я. Модель взаимодействия потребителей с удаленными вычислительными ресурсами через посредников // Системы и средства информатики. 2009. Т. 19. № 1. С. 5-33.
6. Toporkov, V.V.: Job and Application-Level Scheduling in Distributed Computing. Ubiquitous Computing and Communication J. Applied Computing 4, 3, 559-570 (2009)
7. Toporkov, V.V., Toporkova, A., Tselishchev, A., Yemelyanov, D.: Job and Application-Level Scheduling: an Integrated Approach for Achieving Quality of Service in Distributed Computing. In: 4th International Conference on Dependability of Computer Systems, pp. 202-209. IEEE CS Press, Los Alamitos (2009)
8. Toporkov, V.: Application-Level and Job-Flow Scheduling: an Approach for Achieving Quality of Service in Distributed Computing. In: Malyshkin, V. (ed.) PaCT 2009. LNCS, vol. 5968, pp. 350-359. Springer, Heidelberg (2009)
9. Aida, K., Casanova, H.: Scheduling Mixed-parallel Applications with Advance Reservations. In: 17th IEEE Int. Symposium on HPDC, pp. 65-74. IEEE CS Press, New York (2008)
10.Ando, S., Aida, K.: Evaluation of Scheduling Algorithms for Advance Reservations. Information Processing Society of Japan SIG Notes. HPC-113, 37-42 (2007)
11..Elmroth, E., Tordsson, J.: A Standards-based Grid Resource Brokering Service Supporting Advance Reservations, Coallocation and Cross-Grid Interoperability. J. of Concurrency and Computation 25,18,2298-2335 (2009)
12.T. Carroll and D. Grosu, "Divisible load scheduling: An approach using coalitional games," Proc. of the Sixth International Symposium on Parallel and Distributed Computing (ISPDC 07), 2007, pp. 36-36.
13.A. Gulati, I. Ahmad, and C. Waldspurger, "PARDA: Proportional allocation of resources for distributed storage access," Proc. of the 7th conference on File and storage technologies (FAST'09), 2009, pp. 85-98.
14.K. Rzadca, D. Trystram, and A. Wierzbicki, "Fair game-theoretic resource management in dedicated Grids," Proc. IEEE International Symposium on Cluster Computing and the Grid (CCGRID 2007), 2007, pp 343-350.
15.A. Inoie, H. Kameda, and C. Touati, "Pareto set, fairness, and Nash equilibrium: A case study on load balancing," Proc. of the 11th International Symposium on Dynamic Games and Applications, 2004, pp. 386-393.
16.D. Jackson, Q. Snell, and M. Clement, "Core algorithms of the Maui scheduler," in Revised Papers from the 7th International Workshop on Job Scheduling Strategies for Parallel Processing, JSSPP '01, 2001, pp. 87-102.
17.A. Mutz, R. Wolski, and J. Brevik, "Eliciting honest value information in a batch-queue environment," Proc. 8th IEEE/ACM International Conference on Grid Computing, IEEE Computer Society, 2007, pp. 291-297.
18.H. Blanco, F. Guirado, J.L. Lrida, and V.M. Albornoz, "MIP model scheduling for multi-clusters," Proc. Euro-Par 2012, 2012 pp. 196-206.
19.A. Takefusa, H. Nakada, T. Kudoh, and Y. Tanaka, "An advance reservation-based co-allocation algorithm for distributed computers and network bandwidth on QoS-guaranteed Grids," in Job Scheduling Strategies for Parallel Processing, vol. 6253, 2010, pp. 16-34.
20.K. Vohs, N. Mead, and M. Goode, "The psychological consequences of money," Science, vol. 314(5802), 2006, pp. 1154-1156.
21.K. Kim and R. Buyya, "Fair resource sharing in hierarchical virtual organizations for global Grids," Proc. of the 8th IEEE/ACM International Conference on Grid Computing, 2007, pp. 5057.
22.P. Skowron and K. Rzadca, "Non-monetary fair scheduling cooperative game theory approach," of the twenty-fifth annual ACM symposium on Parallelism in algorithms and architectures Proc. (SPAA '13), 2013, pp. 288-297.
23.M. Dalheimer, F. Pfreundt, and P. Merz, "Agent-based Grid Scheduling with Calana", Proc. Parallel Processing and Applied Mathematics, 6th International Conference, 2006, pp. 741750.
24.T. Thain andM. Livny, "Distributed computing in practice: the Condor experience," Concurrency and computation: practice and experience, vol. 17, 2005, pp. 323-356.
25.V. Toporkov, A. Toporkova, A. Tselishchev, D. Yemelyanov, and P. Potekhin, "Preference-based fair resource sharing and scheduling optimization in Grid VOs," Procedia Computer Science, vol. 29, 2014, pp. 831-843.
26.V. Toporkov, A. Toporkova, A. Tselishchev, D. Yemelyanov, and P. Potekhin, "Metasched-uling and heuristic co-allocation strategies in distributed computing," Computing and Informatics, vol. 34(1), 2015, pp. 45-76.
27. Toporkov, A. Toporkova, A. Tselishchev, D. Yemelyanov, P. Potekhin. Heuristic-Based Job Flow Allocation in Distributed Computing // P. Novais, D. Camacho, C. Analide, A. El Fallah Seghrouchni, C. Badica (Eds.) Intelligent Distributed Computing IV. Studies in Computational Intelligence, Vol. 616, pp. 189-198 Springer International Publishing Switzerland (2016).
28.Toporkov, V., Yemelyanov, D., Bobchenkov, and A., Potekhin, P. Preference-Based Economic Scheduling in Grid Virtual Organizations // Procedia Computer Science. Volume 80. 2016. Pages 1071-1082. Elsevier B.V. 2016.
29. V. Toporkov, D. Yemelyanov, A. Bobchenkov, and A. Tselishchev. Scheduling in Grid Based on VO Stakeholders Preferences and Criteria // Advances in Intelligent Systems and Computing. Volume 470. 2016. Pages 505-515. Springer International Publishing Switzerland (2016).
30.V. Toporkov, D. Yemelyanov, A. Bobchenkov, and P. Potekhin. Fair Resource Allocation and Metascheduling in Grid with VO Stakeholders Preferences // 2016 45th International Conference on Parallel Processing Workshops. IEEE. 2016. pp. 375-384.
31. V. Toporkov, A. Toporkova, D. Yemelyanov, A. Bobchenkov, and A. Tselishchev. Scheduling Optimization in Grid with VO Stakeholders' Preferences // C. Badica et al. (eds.), Intelligent Distributed Computing X, Studies in Computational Intelligence. Vol. 678. pp. 185-194 (2017).
Metascheduling and resource management in Grid
Toporkov Victor Vasilyevich, Doctor of Technical Sciences, Professor, Head of CE Department, National Rresearch University "MPEI"
Yemelyanov Dmitry Mikhailovich, Candidate of Sciences (PhD), Associate Professor, National Rresearch University "MPEI"
Toporkova Anna Stanislavovna, Candidate of Sciences (PhD), Associate Professor, HSE Moscow Institute of Electronics and Mathematics
This paper deals with problems of scheduling in distributed environments with non-dedicated resources in Grid.
Keywords: distributed computing, Grid, cloud computing, non-dedicated resources, scheduling, virtual organizations, economic principles
УДК 004.056
О НОВОЙ ДОКТРИНЕ ИНФОРМАЦИОННОЙ БЕЗОПАСНОСТИ РОССИИ
(размышления о совершенствовании системы профессионального образования в сфере информационной безопасности)
Анатолий Степанович Минзов, д-р техн. наук, профессор кафедры информационной и экономической безопасности, e-mail: [email protected], Александр Юрьевич Невский, канд. техн. наук, профессор кафедры информационной и экономической безопасности, e-mail: [email protected], Олег Юрьевич Баронов, канд. техн. наук, ИО заведующий кафедрой информационной и экономической безопасности, e-mail: [email protected], НИУ «МЭИ», http://mpei.ru
В статье проводится анализ основных положений новой доктрины информационной безопасности и рассматриваются пути её реализации в развитии науки и образования в сфере обеспечения информационной безопасности общества, организаций и личности.
Ключевые слова: доктрина, информационная безопасность, киберугрозы, образование.
Информационные технологии приобрели глобальный трансграничный характер и стали неотъемлемой частью всех сфер деятельности личности, общества и государства [1].
Введение
Любая доктрина обычно является документом стратегического планирования развития какой-либо сферы государственной деятельности. Новая доктрина информационной безопасности [1], принятая в декабре 2016 года, также представляет собой стратегический план развития системы обеспечения национальной безопасности РФ в информационной сфере деятельности. Однако, в отличие от предыдущей подобной доктрины 2000 года [2], цели которой, в основном, были ориентированы на развитие информационного обеспечения государственной политики РФ и реализацию конституционных прав и свобод граждан, в новой доктрине главные стратегические цели информационной безопасности существенно расширились в сторону защиты жизненно важных интересов личности, общества и государства от внутренних и внешних угроз, связанных с применением информационных технологий в сферах обороны и безопасности, экономики, науки и образования, стратегической стабильности. Стоить отме-
