msiСовременная наука и инновацииModern Science and Innovations2307-910XNorth-Caucasus Federal University10.37493/2307-910X.2022.2.3msi-1369Research ArticleТЕХНИЧЕСКИЕ НАУКИ. ИНФОРМАТИКА, ВЫЧИСЛИТЕЛЬНАЯ ТЕХНИКА И УПРАВЛЕНИЕTECHNICAL SCIENCES. INFORMATION, COMPUTING AND MANAGEMENTМЕТОД БАЛАНСИРОВКИ НАГРУЗКИ ВЫЧИСЛИТЕЛЬНОГО КЛАСТЕРА ЦЕНТРА ОБРАБОТКИ ДАННЫХMETHOD OF LOAD BALANCING FOR COMPUTER CLUSTER OF DATA PROCESSING CENTERБратченкоН. Ю.BratchenkoN. Yu.

Братченко Наталья Юрьевна - кандидат физико-математических наук, доцент кафедры инфокоммуникаций,  доцент, институт цифрового развития, кафедра инфокоммуникаций.

Ставрополь,+7 9887405050, (8652) 95-69-97

Bratchenko Natalia Yurievna - candidate of physical and mathematical sciences, associate professor.

SI NCFU, Stavropol

n.b.20062@yandex.ruМочаловВ. П.MochalovV. P.

Мочалов Валерий Петрович - профессор, доктор технических наук,  профессор, профессор кафедры инфокоммуникаций, институт цифрового развития, кафедра инфокоммуникаций.

Ставрополь,+7 9624004447, (8652) 95-69-97

Mochalov Valeriy Petrovich - Doctor of Technical Sciences, Professor, SI NCFU.

Stavropol, +7 9624004447, (8652) 95-69-97

n.b.20062@yandex.ruПалкановИ. С.PalkanovI. S.

Палканов Илья Сергеевич - программист, институт цифрового развития, кафедра инфокоммуникаций.

Ставрополь,+7 9289633235

Palkanov Ilya Sergeevich, programmer, SI NCFU.

Stavropol, +7 9289633235

n.b.20062@yandex.ruСеверо-Кавказский федеральный университетРоссияNorth Caucasus Federal UniversityRussian Federation202214012023022839Copyright © Братченко Н.Ю., Мочалов В.П., Палканов И.С., 20232023Братченко Н.Ю., Мочалов В.П., Палканов И.С.Bratchenko N.Y., Mochalov V.P., Palkanov I.S.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://msi.elpub.ru/jour/article/view/1369

В статье представлено описание метода балансировки нагрузки вычислительного кластера центра обработки данных (ЦОД) в основу которого положен вероятностный подход упреждающего прогнозирования состояний пакетного трафика, сформированный на основе результатов его статистического, нелинейного и спектрального анализа. Фрактальные свойства сетевого трафика  являются обоснованием возможности предсказания, позволяют с достаточно большой вероятностью прогнозировать появление на отдельных временных интервалах всплесков и спадов его активности, выявление   периодов   возможной перегрузки серверов и сетевого оборудования и   делают возможным разработку методов эффективного планирования и распределения задач внутри ЦОД, обеспечение статистически равномерной загрузки его функциональных элементов. Cпектральный анализ временного ряда проводится по нормированным отклонениям фактических уровней от сглаженных. Отсутствие существенных пиков спектральных оценок говорит об отсутствии периодических колебаний. Показано, что суммирование циклов разного периода динамики временного ряда, основанное на использовании наиболее значимых гармониках спектра, определяет моменты возникновения последующих аномалий его развития. В основу процесса выявления существенных гармоник спектра положено исследование его спектральной плотности мощности с помощью преобразования Фурье.  Разработанный метод способен обеспечить решение задачи эффективного планирования и распределения задач вычислительного кластера ЦОД с целью оптимизации использования ресурсов, ускорения времени выполнения задач и сокращения расходов на обработку приложений.

The article presents a description of the load balancing method for a computing cluster of a data processing center (DPC), which is based on a probabilistic approach to proactive forecasting of packet traffic states, formed on the basis of the results of its statistical, nonlinear and spectral analysis. The fractal properties of network traffic are the rationale for the possibility of prediction, allow with a fairly high probability to predict the appearance of bursts and drops in its activity at certain time intervals, identify periods of possible overload of servers and network equipment, and make it possible to develop methods for effective planning and distribution of tasks within the data center, ensuring a statistically uniform loading its functional elements. The spectral analysis of the time series is carried out according to the normalized deviations of the actual levels from the smoothed ones. The absence of significant peaks in the spectral estimates indicates the absence of periodic fluctuations. It is shown that the summation of cycles of different periods of the dynamics of the time series, based on the use of the most significant harmonics of the spectrum, determines the moments of occurrence of subsequent anomalies in its development. The process of identifying significant harmonics of the spectrum is based on the study of its spectral power density using the Fourier transform. The developed method is able to provide a solution to the problem of efficient planning and distribution of tasks in a data center computing cluster in order to optimize the use of resources, speed up task execution time and reduce application processing costs.

пакетный трафиквременные рядыфракталыбалансировка нагрузкифункция автокорреляциигармонический анализнелинейная динамикаpacket traffictime seriesfractalsload balancingautocorrelation functionharmonic analysisnon-linear dynamicsReferencesTsybakov B.S., Georganas N.D. Self-similar processes in communications networks // IEEE Trans. Inform. Theory, vol. 44. Sep.2018. P. 1713-1725.Tsybakov B.S., Georganas N.D. Self-similar processes in communications networks // IEEE Trans. Inform. Theory, vol. 44. Sep.2018. P. 1713-1725.Tsybakov B.S., Georganas N.D. Self-similar traffic: upper bounds to buffer-overflow probability in an ATM queue // Proceedings of CCBR‘97, the Canadian Conference on Broadband Research, Ottawa. 2015. P. 137-148.Tsybakov B.S., Georganas N.D. Self-similar traffic: upper bounds to buffer-overflow probability in an ATM queue // Proceedings of CCBR‘97, the Canadian Conference on Broadband Research, Ottawa. 2015. P. 137-148.Gneiting T., Schlather M. Stochastic models which separate fractal dimension and Hurst effect // NRCSE-TRS. Sep. 20, 2001. № 069.Gneiting T., Schlather M. Stochastic models which separate fractal dimension and Hurst effect // NRCSE-TRS. Sep. 20, 2001. № 069.Feng W., Tinnakornsrisuphap P. The Failure of TCP in High-Performance Computational Grids // SC2000: High-Performance Network and Computing Conference, Dallas, TX. November, 2000.Feng W., Tinnakornsrisuphap P. The Failure of TCP in High-Performance Computational Grids // SC2000: High-Performance Network and Computing Conference, Dallas, TX. November, 2000.Veres A., Boda М. The Chaotic Nature of TCP Congestion Control // Proceedings of IEEE INFOCOM‘2000, March 2000.Veres A., Boda М. The Chaotic Nature of TCP Congestion Control // Proceedings of IEEE INFOCOM‘2000, March 2000.Veres A., Kenesi Zs., Molnar S., Vattay G. On the Propagation of Long-Range Dependence in the Internet // Proc. ACM SIGCOMM 2000. Stockholm, Sweden, Sep. 2000.Veres A., Kenesi Zs., Molnar S., Vattay G. On the Propagation of Long-Range Dependence in the Internet // Proc. ACM SIGCOMM 2000. Stockholm, Sweden, Sep. 2000.Kugiumtzis D., Boudourides М. Chaotic Analysis of Internet Ping Data: Just a Random Generator? // SOEIS meeting at Bielefeld, March 27-28, 1998.Kugiumtzis D., Boudourides М. Chaotic Analysis of Internet Ping Data: Just a Random Generator? // SOEIS meeting at Bielefeld, March 27-28, 1998.Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. John Wiley & Sons, 2000.Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. John Wiley & Sons, 2000.Policing and Shaping Overview, QC: Cisco IOS Release 12.0 Quality of Service Solutions Configuration Guide. http://www.cisco.com.Policing and Shaping Overview, QC: Cisco IOS Release 12.0 Quality of Service Solutions Configuration Guide. http://www.cisco.com.Östring S., Sirisena H. The Influence the Long-Range Dependence on Traffic Prediction // Proceedings of ICC‘01. Helsinki, June 2001.Östring S., Sirisena H. The Influence the Long-Range Dependence on Traffic Prediction // Proceedings of ICC‘01. Helsinki, June 2001.Beran J. Statistical Methods for Data with Long-Range Dependence // StatisticalScience, Volume 7, Issue 4. 2019. P. 404-416.Beran J. Statistical Methods for Data with Long-Range Dependence // StatisticalScience, Volume 7, Issue 4. 2019. P. 404-416.Foag J., Wild T. Traffic Prediction Algorithm for a Speculative Network Processor // 17th Intl. Symposium for High Performance Computing Systems and Applications HPCS 2003. Sherbrooke, May 2003.Foag J., Wild T. Traffic Prediction Algorithm for a Speculative Network Processor // 17th Intl. Symposium for High Performance Computing Systems and Applications HPCS 2003. Sherbrooke, May 2003.Trajkovic L., Neidhardt A. Internet traffic prediction // Centre for Systems Science, Simon Fraser University, Vol. 12, Issue 1. Mar. 2000.Trajkovic L., Neidhardt A. Internet traffic prediction // Centre for Systems Science, Simon Fraser University, Vol. 12, Issue 1. Mar. 2000.Koucheryavy Y., Harju J. A novel approach for self-similar traffic prediction. / Proceedings of the St. Petersburg Regional International Teletraffic Seminar, St. Petersburg, Russia, January 29. February 1. 2002. P. 172-179.Koucheryavy Y., Harju J. A novel approach for self-similar traffic prediction. / Proceedings of the St. Petersburg Regional International Teletraffic Seminar, St. Petersburg, Russia, January 29. February 1. 2002. P. 172-179.H. Kantz and T. Schreiber. Nonlinear Time Series Analysis, 2nd edition, Cambridge University Press, Cambridge, 2003. – 388 p.H. Kantz and T. Schreiber. Nonlinear Time Series Analysis, 2nd edition, Cambridge University Press, Cambridge, 2003. – 388 p.Fowler H.J., Leland W.E. Local area network traffic characteristic, with implications for broadband network congestion management // IEEE Journal on Selected Areas in Communications. vol. 9. 2021. P. 1139-1149.Fowler H.J., Leland W.E. Local area network traffic characteristic, with implications for broadband network congestion management // IEEE Journal on Selected Areas in Communications. vol. 9. 2021. P. 1139-1149.Zhao H., Ansari N., Shi Y.Q. A Fast Non-linear Algorithm for Video Traffic Prediction // ITCC, 2002.Zhao H., Ansari N., Shi Y.Q. A Fast Non-linear Algorithm for Video Traffic Prediction // ITCC, 2002.Chen B., Peng S., Wang K. Traffic Modeling, Prediction, and Congestion Contro for High-Speed Networks: A Fuzzy AR Approach // IEEE Trans. On Fuzzy Systems Vol. 8. 2000. № 5.Chen B., Peng S., Wang K. Traffic Modeling, Prediction, and Congestion Contro for High-Speed Networks: A Fuzzy AR Approach // IEEE Trans. On Fuzzy Systems Vol. 8. 2000. № 5.Moon F.C. Chaotic and Fractal Dynamics: Introduction for Applied Scientists and Engineers. New York: Wiley; 1992.Moon F.C. Chaotic and Fractal Dynamics: Introduction for Applied Scientists and Engineers. New York: Wiley; 1992.Moon F. Chaotic Oscillations. Translate from English. Moscow: Mir Publ.; 1990. 312 p. (in Russian)Moon F. Chaotic Oscillations. Translate from English. Moscow: Mir Publ.; 1990. 312 p. (in Russian)

The authors declare that there are no conflicts of interest present.