МЕТОД БАЛАНСИРОВКИ НАГРУЗКИ ВЫЧИСЛИТЕЛЬНОГО КЛАСТЕРА ЦЕНТРА ОБРАБОТКИ ДАННЫХ

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.

1. Tsybakov B.S., Georganas N.D. Self-similar processes in communications networks // IEEE Trans. Inform. Theory, vol. 44. Sep.2018. P. 1713-1725.

2. 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.

3. Gneiting T., Schlather M. Stochastic models which separate fractal dimension and Hurst effect // NRCSE-TRS. Sep. 20, 2001. № 069.

4. Feng W., Tinnakornsrisuphap P. The Failure of TCP in High-Performance Computational Grids // SC2000: High-Performance Network and Computing Conference, Dallas, TX. November, 2000.

5. Veres A., Boda М. The Chaotic Nature of TCP Congestion Control // Proceedings of IEEE INFOCOM‘2000, March 2000.

6. 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.

7. Kugiumtzis D., Boudourides М. Chaotic Analysis of Internet Ping Data: Just a Random Generator? // SOEIS meeting at Bielefeld, March 27-28, 1998.

8. Park K., Willinger W. Self-Similar Network Traffic and Performance Evaluation. John Wiley & Sons, 2000.

9. Policing and Shaping Overview, QC: Cisco IOS Release 12.0 Quality of Service Solutions Configuration Guide. http://www.cisco.com.

10. Östring S., Sirisena H. The Influence the Long-Range Dependence on Traffic Prediction // Proceedings of ICC‘01. Helsinki, June 2001.

11. Beran J. Statistical Methods for Data with Long-Range Dependence // StatisticalScience, Volume 7, Issue 4. 2019. P. 404-416.

12. 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.

13. Trajkovic L., Neidhardt A. Internet traffic prediction // Centre for Systems Science, Simon Fraser University, Vol. 12, Issue 1. Mar. 2000.

14. 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.

15. H. Kantz and T. Schreiber. Nonlinear Time Series Analysis, 2nd edition, Cambridge University Press, Cambridge, 2003. – 388 p.

16. 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.

17. Zhao H., Ansari N., Shi Y.Q. A Fast Non-linear Algorithm for Video Traffic Prediction // ITCC, 2002.

18. 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.

19. Moon F.C. Chaotic and Fractal Dynamics: Introduction for Applied Scientists and Engineers. New York: Wiley; 1992.

20. Moon F. Chaotic Oscillations. Translate from English. Moscow: Mir Publ.; 1990. 312 p. (in Russian)