Библиографическое описание:Применение гибридного алгоритма балансировки для управления распределением вычислительных задач в высоконагруженных системах : научное издание / В. С. Дойчев. - Текст : непосредственный // Моделирование, оптимизация и информационные технологии. - 2025. - Т. 13, № 3. - ISSN 2310-6018, DOI 10.26102/2310-6018/2025.50.3.024.
Аннотация:Актуальность исследования обусловлена стремительным ростом объемов обрабатываемых данных и широким распространением облачных технологий, что делает эффективное распределение вычислительных задач в высоконагруженных системах ключевой проблемой современной информатики. Существующие методы балансировки нагрузки часто не учитывают гетерогенность ресурсов, динамику workloads и необходимость многоцелевой оптимизации, что ограничивает их эффективность. Целью работы является разработка гибридного алгоритма балансировки нагрузки, сочетающего преимущества алгоритмов Artificial Bee Colony (ABC) и Max-Min для повышения производительности и ресурсоэффективности распределенных систем. В исследовании использован метод имитационного моделирования в среде CloudSim для оценки предложенного алгоритма при различных сценариях нагрузки (от 100 до 5000 задач). Задачи классифицируются на «легкие» и «тяжелые» на основе их вычислительной сложности (MIPS), после чего ABC применяется для быстрого распределения простых задач, а Max-Min - для оптимизации выполнения ресурсоемких заданий с целью минимизации общего времени выполнения (makespan). Сравнительный анализ с базовыми алгоритмами (FCFS, SJF, Min-Min, Max-Min, PSO, ABC) показал, что гибридный подход обеспечивает на 15-30 % лучшее время выполнения задач при высокой нагрузке (5000 задач), демонстрируя высокую адаптивность и масштабируемость. Результаты исследования подтверждают, что гибридные алгоритмы, объединяющие эвристические и метаэвристические методы, представляют собой перспективное решение для динамических облачных сред. Предложенный метод эффективно сочетает оперативность распределения легких задач и стратегическое планирование ресурсоемких операций, что делает его применимым в реальных ЦОДах и распределенных системах. Практическая значимость работы заключается в повышении энергоэффективности, снижении затрат и обеспечении качества обслуживания (QoS) в облачных вычислениях.
The growing volume of processed data and the widespread adoption of cloud technologies have made efficient task distribution in high-load computing systems a critical challenge in modern computer science. However, existing solutions often fail to account for resource heterogeneity, dynamic workload variations, and multi-objective optimization, leaving gaps in achieving optimal resource utilization. This study aims to address these limitations by proposing a hybrid load-balancing algorithm that combines the strengths of Artificial Bee Colony (ABC) and Max-Min scheduling strategies. The research employs simulation in the CloudSim environment to evaluate the algorithm’s performance under varying workload conditions (100 to 5000 tasks). Tasks are classified into -quot;light-quot; and -quot;heavy-quot; based on their MIPS requirements, with ABC handling lightweight tasks for rapid distribution and Max-Min managing resource-intensive tasks to minimize makespan. Comparative analysis against baseline algorithms (FCFS, SJF, Min-Min, Max-Min, PSO, and ABC) demonstrates the hybrid approach’s superior efficiency, particularly in large-scale and heterogeneous environments. Results show a 15-30% reduction in average task completion time at high loads (5000 tasks), confirming its adaptability and scalability. The study concludes that hybrid algorithms, integrating heuristic and metaheuristic techniques, offer a robust solution for dynamic cloud environments. The proposed method bridges the gap between responsiveness and strategic resource allocation, making it viable for real-world deployment in data centers and distributed systems. The practical significance of the work lies in increasing energy efficiency, reducing costs and ensuring quality of service (QoS) in cloud computing.
