РАЗРАБОТКА МОДЕЛИ ДЛЯ УЛУЧШЕНИЯ ПЛАНИРОВАНИЯ ЗАДАЧ В ОБЛАЧНЫХ ВЫЧИСЛЕНИЯХ НА ОСНОВЕ ОПТИМИЗАЦИИ РОЯ ЧАСТИЦ Текст научной статьи по специальности «Компьютерные и информационные науки»

DOI 10.25987/^ТО.2019.15.5.003 УДК 004.93'12

РАЗРАБОТКА МОДЕЛИ ДЛЯ УЛУЧШЕНИЯ ПЛАНИРОВАНИЯ ЗАДАЧ В ОБЛАЧНЫХ ВЫЧИСЛЕНИЯХ НА ОСНОВЕ ОПТИМИЗАЦИИ РОЯ ЧАСТИЦ

Ходар Алмосана1, Э.К. Алгазинов1, Е.Н. Десятирикова12, Ияд Алхаят3

воронежский государственный университет, г. Воронеж, Россия 2Воронежский государственный технический университет, г. Воронеж, Россия 3Университет Дамаска, г. Дамаск, Сирия

Аннотация: облачные вычисления — это новый вид общей инфраструктуры, которая может подключать огромные пулы систем, предоставляет пользователям разнообразные ресурсы хранения и вычислительные ресурсы через Интернет. Наиболее важным требованием в среде облачных вычислений является планирование задач, которое играет ключевую роль в эффективности всех средств облачных вычислений. Планирование задач в облачных вычислениях означает выделение наиболее подходящих ресурсов для выполнения задачи с учетом различных параметров, таких как время, стоимость, масштабируемость, интервал выполнения, надежность, доступность, пропускная способность, использование ресурсов и так далее. Большинство существующих алгоритмов оптимизации сосредоточены только на одном аспекте. В этой статье мы разрабатываем комплексную многоцелевую модель для оптимизации планирования задач, чтобы минимизировать время передачи задач, время выполнения задач и стоимость выполнения задач. Однако целевые функции в этой модели конфликтуют друг с другом. Учитывая этот факт и превосходство алгоритма оптимизации роя частиц (ОРЧ) по скорости и точности, мы разработали многоцелевой алгоритм, основанный на методе ОРЧ, чтобы обеспечить оптимальное решение для предложенной модели. Результаты эксперимента свидетельствуют о том, что предлагаемый способ более эффективен и экономичен во времени и стоимости

Ключевые слова: облачные вычисления, оптимизация роя частиц, стратегия планирования, балансировка нагрузки, виртуальные машины, виртуализация

Введение

Облачные вычисления определяются национальным институтом стандартов и технологий (ККТ) как "модель обеспечения удобного сетевого доступа по требованию к общему пулу настраиваемых вычислительных ресурсов, которые могут быть быстро подготовлены и выпущены с минимальными усилиями" [1]. Хотя облачные вычисления предоставляют различные услуги, но есть несколько проблем, с которыми они сталкиваются. Среди этих проблем основная такова: чтобы планировать задачи для адаптируемых ресурсов, надо устанавливать правильную последовательность [2]. Алгоритмы планирования в распределительных системах обычно имеют цель распределить нагрузку на процессоры и максимизировать их использование при минимизации общего времени выполнения задачи.

В облачных вычислениях существует много исследований, посвященных планированию ресурсов для повышения эффективности облачных вычислений [3]. Большинство из этих исследований уменьшают стоимость, время ожидания, время выполнения, использование ресурсов, время туда-обратно. Но не учитывает

другие важные параметры, такие как надежность, доступность, скорость и масштабируемость. Сложность планирования является основным фактором, усложняющим работу с ресурсами [4].

В [5] сформулирована модель для планирования задач и предложен алгоритм оптимизации роя частиц (ОРЧ), основанный на правиле малого значения позиции для минимизации затрат на обработку. Автор сравнил его алгоритм со стандартным алгоритмом ОРЧ и с алгоритмом ОРЧ, встроенным в кроссовер и мутацию. Результаты эксперимента показывают, что алгоритм ОРЧ не только сходится быстрее, но и работает быстрее, чем два других алгоритма в больших масштабах.

В [6] авторы предложили гибрид оптимизации роя частиц и алгоритм колонии муравьев. Инструментарий CloudSim был использован для реализации и анализа предложения. Алгоритм метаэвристики (РВМ), основанный на населении, максимизирует использование ресурсов и минимизирует продолжительность работы, демонстрируя улучшения более чем на 53%.

В этой статье рассматривается проблема планирования задач, в которой рассматриваются несколько целей. Наши вклады можно резюмировать следующим образом:

© Алмосана Ходар, Алгазинов Э.К., Десятирикова Е.Н., Алхаят Ияд, 2019

1. Разработать новую многоцелевую модель планирования задач, чтобы минимизировать как время выполнения задачи и время передачи, так и стоимость выполнения задачи

2. Разработать алгоритм на основе ОРЧ для решения предложенной модели планирования задач

3. Оценить нашу модель, используя МА^АВ и сравнив результаты.

Постановка задачи

В облачных вычислениях, с одной стороны, существует множество виртуальных машин, которые имеют различную емкость вычислений и хранилищ; с другой стороны, плата за использование зависит от емкости виртуальной машины и объема передаваемых данных. Таким образом, проблема назначения задачи может быть описана как назначение всей задачи всем виртуальным машинам в среде облачных вычислений, чтобы минимизировать общую стоимость, время передачи задач и время выполнения задач.

Рис. 1. Назначение задач виртуальных машин

Есть N задач и М набор виртуальных машин. Каждая задача может быть выделена любой виртуальной машиной. На рис. 1 показано сопоставление задач виртуальным машинам. Оптимизация роя частиц (ОРЧ) пытается выбрать оптимальное распределение задач по виртуальным машинам для достижения цели.

Математическая модель для планирования задач

Чтобы сформулировать планирование задач, определим п как набор независимых задач

Т = {^, 12, ^.....К } ; как задача номер ^ где

1 < I < п . т — это количество виртуальных

машин

VM = {vm1, vm2, vm3.....vmm }

СРик — это емкость виртуальной машины номер к, где 1 < к < т. В гк представляет полосу пропускания между задачей i и виртуальной машиной номер к, где г,к ={1,2,3..., т}. Значение хгк= 1, если задача i назначена на VMk, и хгк = 0 в противном случае. DEi — это длина задачи, которую необходимо выполнить.

представляет объем данных обмена между задачей ^ которая является генератором передаваемых данных, и VMk , которая выполняет её.

Таким образом, мы можем рассчитать время выполнения всех задач, назначенных виртуальным машинам, как показано в уравнении 1:

п т DE

Т =УУх., х- '

ехе ¿ш^ ¿ш^ гк

i=1 к=1

CPU,,

(1)

Время передачи — это время передачи данных задачи на виртуальную машину и возврата их в центр через полосу пропускания, соединяющую их, как показано в уравнении 2:

Tt = 2 •

^ n m DT ^

x m** XDTik

i=1 k=1

B

ik у

(2)

Общее время является результатом объединения времени выполнения со временем передачи, как показано в уравнении 3:

Total(T) = XX xik x

Щ

CPU,,

(

+ 2 *

Л

XX x-

B

. (3)

ik у

В соответствии со стандартом тарификации Amazon EC2 определяем Pout как стоимость передачи данных из виртуальной машины, а PIN — как стоимость передачи данных на виртуальную машину. Таким образом, общая стоимость передачи данных будет как в уравнении 4:

n m

C =XX *lk X (DTj X Pout + DTj X Pm ) (4)

i=1 k=1 ' v '

Pk — это стоимость обработки стандартного метода малого размера по требованию, поэтому Cexe вычисляет общую стоимость обработки.

1 k=1

1 k=1

n m DE

C =УУxk xP.

exe ¿-^ ¿-^ ik т k

i=1 k=1 CPU.

(5)

Если Total (C) — общая стоимость, которая является суммой затрат на передачу и обработку данных; то наша фитнес-функция будет, как видно в уравнении 7:

Total(C) = Cexce + Ct , (6)

FitnessF = Total(T) + Total(C) . (7)

Предположим, что длина и стоимость выполнения известны для задачи i, выполняемой в VMk , также время и стоимость передачи известны для передачи данных из i-го узла в j-й узел. Наша цель состоит в том, чтобы распределить все задачи по всем виртуальным машинам с минимизацией общего времени и затрат. Все ограниченные условия показаны в (8), (9) .

X xik = 1, Vi = 1,2,...n

k=1

x, e{0,1}, Vi,k

Алгоритм оптимизации роя частиц

(8) (9)

Алгоритм оптимизации роя частиц (ОРЧ) — это алгоритм поиска оптимального решения, основанный на моделировании социального поведения птиц в стае, предложенный Кеннеди и Эберхартом. Каждый кандидат на решение, называемый «частицей», летит в пространстве поиска проблем в поисках оптимальной позиции для посадки. Два фактора характеризуют состояние частицы в пространстве поиска: ее положение и скорость [7].

Первоначально алгоритм ОРЧ генерирует набор из N решений, называемых частицами, случайным образом в D-мерном пространстве поиска. Каждая частица представлена D-мерным вектором Хг- , где i находится в диапазоне от 1 до N. Каждый X! имеет размерность d, обозначающую его местоположение (хп,Х12,....ха) в пространстве. Скорость каждой частицы V ограничена значениями утт и утах, и ее положение х обновляется в соответствии со следующими уравнениями:

= w * vd + С1* rand1 * (pbestd - xd) + +c2 * rand2 * (gbest"d - x"id)

x"++1 = xd + vf id id id

где i — номер частицы, i = 1, 2, . . .,N.

(10) (11)

п — номер итерации, п = 1, 2,..., йегтах.

— скорость частицы i на итерации п.

— скорость частицы i на итерации

п+1.

хЬ — текущее положение частицы i в итерации п.

х"ш — текущее положение частицы i в итерации п+1.

м> — инерционный вес. с1, с2 — коэффициенты ускорения. г1 ,г2 — случайное число от 0 до 1. pbestnid — лучшая позиция частицы i. gbestnd — положение лучшей частицы в популяции.

Уравнение (10) используется для расчета новой скорости частицы в соответствии с ее предыдущей скоростью и расстояниями ее текущего положения от ее собственного, лучшего предыдущего положения. Затем частица летит в новое положение, согласно уравнению (11). Производительность каждой частицы измеряется в соответствии с заранее определенной целевой функцией, которая обычно пропорциональна функции стоимости.

Оптимизация роя частиц для планирования задач

В этом разделе мы опишем формулировки алгоритма ОРЧ для назначения задачи. Одним из ключевых вопросов при разработке успешного алгоритма ОРЧ является этап представления, то есть нахождения подходящего отображения между решением проблемы и частицей ОРЧ. В этой статье мы устанавливаем пространство поиска из N измерений для N задач. Каждое измерение имеет дискретный набор возможных значений, ограниченный S = ^ : 1 <= ! <= М}, так что М — это количество виртуальных машин в рассматриваемой распределенной системе.

Например, рассмотрим задачу для сопоставления 5 задач на рис. 1 с 4 виртуальными машинами. На рис. 2 показано сопоставление одного возможного экземпляра назначения с координатами положения частицы в ОРЧ.

Используя такое представление частиц, популяция ОРЧ представляется в виде двумерного массива Рх^ состоящего из Р частиц, каждая из которых представлена в виде вектора из N задач. Таким образом, частица летит в N мерном пространстве поиска. Задача внутренне представлена как целочисленное значение, указывающее номер виртуальной машины, которой назначена эта задача.

Рис. 2. Назначение задач в частице ОРЧ Инициализация популяции частиц роя

Популяция роя частиц является случайной генерацией. Вектор положения и вектор скорости каждого роя частиц генерируется согласно (12) и (13). Значения хтт и утт равны 4,0, значения Хтах и V„

равны -0,4.

:. + (x - x . )xrand

mm V max mm '

\> ■ + (v - v ■ ) x rand

mm V max mm '

(12) (13)

Для простоты предположим, что популяция из 10 частиц инициализирована, как показано в табл. 1. Также для простоты программирования нумерация ВМ в коде начинается с 0 и заканчивается на N - 1.

Например, в позиции частицы 1 первого поколения {1, 0, 0, 2, 0} предлагается решение проблемы назначения задачи 1 процессору 1, задач 2, 3 и 5 процессору 0 и задачи 4 процессору 2. Пригодность частиц, которая является стоимостью присвоения (рассчитывается по формуле (7)), показана рядом с каждой частицей. В этой популяции лучшая частица (gbest) имеет значение пригодности 39. Копия позиции gbest обновляется на протяжении поколений.

Таблица 1

Положение частиц и значения пригодности для первого поколения

Положение частиц значения пригодности

1 0 0 2 0 43.0

0 3 0 3 3 51.0

1 2 1 0 0 48.0

3 2 2 2 0 66.0

3 1 1 2 2 40.0

0 0 2 1 1 40.0

3 0 3 1 0 48.0

2 3 3 1 0 39.0

0 0 2 0 3 63.0

0 2 1 2 1 47.0

Так как это начальная популяция, лучшая локальная позиция для частицы ОРЧ равна ее начальной позиции. ОРЧ обновляет скорость каждой частицы, используя формулу (10). Затем обновленные скорости используются в формуле (11), чтобы получить новую позицию для каждой частицы.

Поскольку значения в частице являются числами процессоров, реальное значение, такое как 1.756, не имеет смысла. Поэтому в алгоритме мы обычно округляем эти числа до ближайшего номера процессора, опуская знак и дробную часть.

Реализация алгоритма ОРЧ для нашей модели

В ОРЧ каждая частица является подходящим решением основной проблемы и имеет n измерений, которые определяются специальной задачей. В этой статье задача должна быть назначена. Детали алгоритма ОРЧ описаны как:

1. Инициализировать вектор положения частицы и вектор скорости случайным образом согласно (12) и (13). Размерность вектора равна количеству задач.

2. Согласно (7), подсчитать значение функции пригодности, если значение пригодности одной частицы лучше, чем текущий pbest, заменить предыдущий pbest и установить текущее значение в качестве нового pbest.

3. Выбрать наибольшее значение частицы из всех значений, если ее значение лучше, чем у текущего gbest, заменить предыдущий gbest и установить текущее значение в качестве нового gbest.

4. Для всех частиц обновить их положение и скорость с помощью (10) и (11).

5. При достижении максимальной итерации или получении идеального результата программа останавливается, в противном случае повторяется шаг 2.

Экспериментальные настройки и параметры

Чтобы лучше оценить наш алгоритм, мы генерируем тестовые данные случайным образом. Длина задач ограничена от 100 до 1000 MIPS; емкость виртуальной машины составляет от 2,0 до 6,0 MIPS; объем данных передачи варьируется от 1 до 100 кбит / с; пропускная способность варьируется от 1 до 10 кбит / с. В следующей части все эксперименты тестируются на двухъядерном процессоре Intel® Pentium®R

E2160 1,80 ГГц с оперативной памятью 1 ГБ в среде Microsoft Windows. Все эксперименты были реализованы в Matlab R2009b.

Параметры ОРЧ следующие: численность населения равна 10, коэффициент самопознания c1 равен 1.49445, социальный коэффициент c2 равен 1.49445, а вес w равен 0,729 [8].

Таблица 2

Стоимость за время обработки и передачи данных

регион Стоимость за время обработки в час Стоимость передачи данных за ГБ

Linux Windows IN OUT

РФ Москва $0.085 $0.12 $0.100 $0.150

ЕК Берлин $0.095 $0.12 $0.100 $0.150

АТ Токио $0.010 $0.12 $0.100 $0.201

Мы тестировали 5 раз, каждый раз меняли количество заданий. Мы использовали 3 типа серверов, содержащих виртуальные машины, расположенных на трех разных континентах. Центры: Российская Федерация (Москва), Европейский Континент (Берлин) и Азиатско-Тихоокеанский регион (Токио) [9]. Цены на обработку и перевод центров указаны в таблице 2 соответственно. В ценах на обработку мы выбрали использование Linux.

Анализ результатов

Критериями эффективности, которые рассматривались, были качество стоимости и время выполнения задач, используемые для эталонов. Процент улучшения стоимости определяется как (14):

(1 -

CostD

CostD

-) х100%

(14)

Процент улучшения времени выполнения задач определяется как (15):

(1 -

TEXEP TEXE,,..

-) х100%

(15)

Результат эксперимента приведен в табл. 3. В таблице приведены результаты пяти экспериментов, где время выполнения задачи в каждом эксперименте рассчитывалось после применения их к алгоритму случайных чисел и алгоритму ОРЧ. Стоимость также была рассчита-

на в обоих алгоритмах. Коэффициент улучшения суммы затрат достиг 14%, а процент улучшения времени выполнения задачи составил 19 %.

Таблица 3 Экспериментальные результаты

Задача В.М. Стоимость (C$) Время выполнения (S)

Random ОРЧ Random ОРЧ

10 3 164.4 141.2 788.9 532.8

20 3 362.9 291.7 1070.8 854.8

30 3 497.3 407.5 1576.8 1323.4

40 3 811.5 771.9 2141.8 1820.9

50 3 1145.8 976.1 2952.7 2398.9

в итоге 2981.9 2588.4 8531.1 6930.8

Улучшения (%) 14% 19 %

На рис. 3 показана стоимость выполнения задач с использованием случайного алгоритма и нашего алгоритма. Очевидно, что оптимизация затрат увеличивается с увеличением количества задач.

Рис. 3. Сравнение двух алгоритма по стоимости

На рис. 4 показано время выполнения задач с использованием случайного алгоритма и нашего алгоритма. Также заметно увеличение скорости выполнения по мере увеличения количества задач.

Литература

1. Балансировка нагрузки в облачных вычислениях / Е.Н. Десятирикова, Ходар Алмосана, Алькади Усама, Хаджали мусса // Вестник Воронежского государственного университета. Сер. Системный анализ и информационные технологии. 2017. № 3. С. 103-109.

2. Алгазинов Е.К., Десятирикова Е.Н., Ходар Алмосана. Анализ производительности алгоритма брокера облачных сервисов // Технологическая перспектива в рамках евразийского пространства: новые рынки и точки экономического роста: Междунар. науч. конф. СПб.: Издательство «Астерион», 2019. С. 334-340.

3. Десятирикова Е.Н., Ходар Алмосана, Алькади Усама. Планирование подхода к ресурсам виртуальных машин в облачных вычислениях // Информатика: проблемы, методология, технологии (IPMT-2019): XIX Междунар. конф. Воронеж: «Научно-исследовательские публикации», 2019. С. 1285-1291.

4. Modeling and Simulation of Cloud Computing: A Review/ Wei Zhao, Yong Peng, Feng Xie, Zhonghua Dai. //IEEE Asia Pacific Cloud Computing Congress (APCloudCC2012). 2012. pp. 20 - 24.

5. Xue S.J. and Wu W. Scheduling Workflow in Cloud Computing Based on Hybrid Particle Swarm Algorithm //TELKOMNIKA Indonesian Journal of Electrical Engineering (10:7). 2012. pp. 1560-1566.

6. Балансировка нагрузки в облачных вычислениях / В.Н. Волкова, Л.В. Черненькая, Е.Н. Десятирикова, Хаджали Мусса, Ходар Апмоcана, Алкаади Усама. // Конференция IEEE молодых ученых в области электротехники и электроники (ElConRus). СПб.-М.: Издательство «Астерион», 2018. С. 397-400.

7. Десятирикова Е.Н., Ходар Алмоcана, Алькаади Усама. Балансировка нагрузки в облачных вычислениях с использованием генетического алгоритма // Информатика: Проблемы, Методология, Технологии»: XVIII Междунар. науч.-метод. конф. Воронеж: «Научно-исследовательские публикации», 2018. С. 274-279.

8. Zhong H., Tao K., Zhang X. An Approach to Optimized Resource Scheduling Algorithm for Open-Source Cloud Systems // in Fifth Annual China Grid Conference, 2010.

9. Task Scheduling Optimization in Cloud Computing Based on Heuristic Algorithm / L. Guo, S. Zhao, S. Shen, C. Jiang // Journal of Networks (7). 2012. pp. 547-553.

Поступила 02.08.2019; принята к публикации 14.10.2019

Информация об авторах

Ходар Алмосана - аспирант кафедры информационных систем, факультет компьютерных наук, Воронежский государственный университет (394036, Россия, г. Воронеж, Университетская площадь, 1), е-mail: Mothana-sy@hotmail.com Алгазинов Эдуард Константинович - д-р физ.-мат. наук, профессор, факультет компьютерных наук, Воронежский государственный университет (394036, Россия, г. Воронеж, Университетская площадь, 1), е-mail: algazinov@cs.vsu.ru Десятирикова Елена Николаевна - д-р техн. наук, профессор, д-р экон. наук, кафедра информационных систем, факультет компьютерных наук, Воронежский государственный университет (394036, Россия, г. Воронеж, Университетская площадь, 1), кафедра систем управления и информационных технологий в строительстве, Воронежский государственный технический университет (394026, Россия, г. Воронеж, Московский проспект, 14), е-mail: elenad@vgasu.vrn.ru Ияд Алхаят - д-р техн. наук, профессор, д-р компьютерных наук, кафедра иформационных систем и сетей, факультет информатики, Университет Дамаска (Сирия, г. Дамаск, ул. Бармакидов, 69), е-mail: Iyad.khayat@gmail.com

Рис. 4. Сравнение двух алгоритмов по времени выполнения задач

Заключение

Таким образом, мы делаем моделирование для задачи оптимизации многоцелевого задания и представляем алгоритм ОРЧ. Наши объекты оптимизации являются не только одной целью, но и включают время обработки, время передачи, стоимость обработки и стоимость передачи. Результаты эксперимента демонстрируют, что наш метод позволяет не только снизить стоимость обработки и передачи, но и уменьшить время обработки и передачи. Это означает, что наш алгоритм не только повышает эффективность, но и снижает стоимость облачных вычислений.

DESIGNING A MODEL TO IMPROVE TASK SCHEDULING IN CLOUD COMPUTING BASED ON PARTICLE SWARM OPTIMIZATION

Almothana Khodar1, E.K. Algazinov1, E.N. Desyatirikova1,2, Iyad Alkhayat3

'Voronezh State University, Voronezh, Russia 2Voronezh State Technical University, Voronezh, Russia 3University of Damascus, Damascus, Syria

Abstract: cloud computing is a new kind of shared infrastructure which can attach huge pools of systems, provides users with a variety of storage and computing resources via the internet. The most important requirement in cloud computing environment is the task scheduling which plays the key role of efficiency of the whole cloud computing facilities. Task scheduling in cloud computing means that to allocate best suitable resources for the task to be execute with the consideration of different parameters like time, cost, scalability, make span, reliability, availability, throughput, resource utilization and so on. Most of the existing optimization algorithms only focus on one aspect. In this paper, we develop a comprehensive multi-objective model for optimizing task scheduling to minimize task execution time, task transferring time, and task execution cost. However, the objective functions in this model are in conflict with one another. Considering this fact and the supremacy of Particle Swarm Optimization (PSO) algorithm in speed and accuracy, we design a multi-objective algorithm based on PSO method to provide an optimal solution for the proposed model. The experimental result manifest that the proposed method is more effective and efficient in time and cost

Key words: cloud computing; particle swarm optimization; scheduling strategy; load balancing; virtual machine

References

1. Desyatirikova E.N., Hajali Moussa, Almothana Khodar, Alkaadi Osama "Load balancing in cloud computing" , The Bulletin of Voronezh State Technical University (Vestnik Voronezhskogo Gosudarstvennogo Universiteta), 2017, no. 3, pp. 103-109.

2. Algazinov E.K., Desyatirikova E.N., Almothana Khodar. "Analysis of the performance of the cloud services broker algorithm", Technological Perspective within the Eurasian Space: New Markets and points of Economic Growth: Intern. Scientific Conf. (Tekhnologicheskayaperspektiva v ramkakh yevraziyskogoprostranstva: novyye rynki i tochki ekonomicheskogo rosta: Mezhdunar. nauch. konf.) Saint Petersburg, Russia, December 13-15, 2018, pp. 334-340

3. Desyatirikova E.N., Almothana Khodar, Alkadi Osama "Planning an approach to virtual machine resources in cloud computing", Informatics: Problems, Methodology, Technologies (IPMT-2019): XIX Intern. Conf. (Informatika: problemy, metodologiya, tekhnologii (IPMT-2019): XIXMezhdunar. konf.), Voronezh, Russia, February 14-15, 2019, pp. 1285-1281

4. Wei Zhao, Yong Peng, Feng Xie, Zhonghua Dai. "Modeling and simulation of cloud computing: a review", IEEE Asia Pacific Cloud Computing Congress (APCloudCC2012), 2012, pp. 20-24.

5. Xue S.J., Wu W. "Scheduling workflow in cloud computing based on hybrid particle swarm algorithm", TELKOMNIKA Indonesian Journal of Electrical Engineering (10:7), 2012, pp. 1560-1566.

6. Volkova V.N., Chernen'kaya L.V., Desyatirikova E.N., Hajali Moussa, Khodar Almothana, Alkaadi Osama "Load balancing in cloud computing", Proc. of 2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (2018 ElConRus), St. Petersburg and Moscow, Russia, January 29 - February 1, 2018, pp.397-400

7. Desyatirikova E.N., Khodar Almothana, Alkaadi Osama "Load balancing in cloud computing using genetic algorithm", XVIII International Scientific and Methodological Conference. Informatics: problems, methodology, technology" (Informatika: Problemy, Metodologiya, Tekhnologii: XVIIIMezhdunar. nauch.-metod. konf.), Voronezh, Russia, 2018, pp. 274-279

8. Zhong H., Tao K., Zhang X. "An approach to optimized resource scheduling algorithm for open-source cloud systems", Fifth Annual China Grid Conference, 2010.

9. Guo L., Zhao S., Shen S., Jiang C. "Task scheduling optimization in cloud computing based on heuristic algorithm", Journal of Networks (7), Mar 2012, pp. 547-553.

Submitted 02.08.2019; revised 14.10.2019 Information about the authors

Almothana Khodar, Graduate student, Voronezh State University (1 Universitetskaya sq., Voronezh 394036, Russia), e-mail: Mothana-sy@hotmail.com

Eduadr K. Algazinov, Dr. Sc. (Physics and Mathematics), Professor, Voronezh State University (1 Universitetskaya sq., Voronezh 394036, Russia), e-mail: algazinov@cs.vsu.ru

Elena N. Desyatirikova, Dr. Sc. (Economics), Dr. Sc. (Technical), Professor, Voronezh State University (1 Universitetskaya sq., Voronezh, Russia), Voronezh State Technical University (14 Moskovskiy prospekt, Voronezh 394026, Russia), e-mail: elenad@vgasu.vrn.ru

Iyad Alkhayat, Dr. Sc. (Technical), Dr. Sc. (Computer), Professor, Damascus University (69 Barmakidov str., Damascus, Syria), e-mail: Iyad.khayat@gmail.com