А.В. Леонов1, В.И. Мунерман2, И.Н. Синицын3

1, 2 Смоленский государственный университет (г. Смоленск, Россия)
3 Федеральный исследовательский центр «Информатика и управление» Российской академии наук (Москва, Россия),
1 alexsandr.leo@yandex.ru, 2 vimoon@gmail.com, 3 sinitsin@dol.ru

Постановка проблемы. Современные системы технического обслуживания и ремонта наукоемких изделий сталкиваются с критическими ограничениями при обработке больших объемов диагностических данных в условиях переменной нагрузки. Традиционные Grid-архитектуры основаны на принципе статического распределения функций между серверами, что приводит к неэффективному использованию ресурсов. Основной недостаток существующих подходов состоит в том, что каждый сервер имеет фиксированную специализацию, и при изменении потребностей системы невозможно быстро перераспределить вычислительные мощности без длительных процедур реконфигурации.

Цель. Разработать инновационную архитектуру Grid-системы, способную обеспечить динамическую трансформацию серверов между различными функциональными состояниями для эффективного решения задач технического обслуживания и ремонта наукоемких изделий с учетом географического распределения ресурсов.

Результаты. Предложена инновационная архитектура Grid-систем, основанная на концепции динамической функциональной трансформации серверов через централизованную таблицу состояний и контейнерные технологии. Разработана трехуровневая классификация состояний узлов: полнофункциональные, частичнофункциональные и потенциальные. Создан адаптированный алгоритм Follow-the-Sun для балансировки нагрузки с учетом часовых поясов. Представлена математическая модель оптимизации трансформаций серверов и архитектура программно-аппаратного комплекса с описанием взаимодействия ключевых компонентов.

Практическая значимость. Применение предложенного подхода позволяет достичь качественно нового уровня утилизации вычислительных ресурсов за счет устранения простоев, связанных со статическим распределением функций. Система может автоматически мобилизовать необходимые вычислительные ресурсы при возникновении внеплановых ситуаций, трансформируя свободные серверы в требуемую конфигурацию за считанные минуты. Это приводит к существенному снижению общей стоимости владения и повышению эффективности процессов технического обслуживания.

Леонов А.В., Мунерман В.И., Синицын И.Н. Архитектура Grid-систем технического обслуживания и ремонта наукоемких изделий на основе динамического управления состояниями вычислительных узлов // Системы высокой доступности. 2025. Т. 21. № 3. С. 31−45. DOI: https://doi.org/10.18127/j20729472-202503-03

1. Синицын И.Н., Шаламов А.С. Лекции по теории систем интегрированной логистической поддержки управление процессами, жизненный цикл продукции, жизненный цикл персонала, финансовый жизненный цикл. Изд-е 2-е, перераб. и доп. М.: Торус пресс. 2019. 1072 с. ISBN 978-5-94588-267-6.
2. Jardine A.K.S., Lin D., & Banjevic D. A review on machinery diagnostics and prognostics implementing condition-based maintenance // Mechanical Systems and Signal Processing. 2006. 20(7). 1483–1510. doi:10.1016/j.ymssp.2005.09.012
3. Мунерман В.И. Массовая обработка данных. Алгебраические модели и методы. М.: ИНФРА-М. 2023. 229 с. ISBN 978-5-16-018035-9. DOI 10.12737/1906037. EDN AINTEM.
4. Колпаков Р.М., Посыпкин М.А. Верхняя и нижняя оценки трудоемкости метода ветвей и границ для задачи о ранце // Дискретная математика. 2010. Т. 22. № 1. С. 58–73. DOI 10.4213/dm1084. EDN RLQRPN.
5. Foster I.T. The Grid: A New Infrastructure for 21st Century Science // Physics Today. 2002. V. 55. № 2. P. 42–47. DOI 10.1063/1.1461327
6. Berman F., Fox G., Hey A.J.G. Grid Computing: Making the Global Infrastructure a Reality. John Wiley & Sons. 2003. 1060 p. ISBN 978-0-470-85319-1.
7. Krauter K., Buyya R., Maheswaran M. A taxonomy and survey of grid resource management systems for distributed computing // Software: Practice and Experience. 2002. V. 32. № 2. P. 135–164. DOI 10.1002/spe.432
8. Buyya R., Abramson D., Giddy J., Stockinger H. Economic models for resource management and scheduling in Grid computing // Concurrency and Computation: Practice and Experience. 2002. V. 14. № 13–15. P. 1507–1542. DOI 10.1002/cpe.690
9. Azeez I.A., Haque S. Resource Management in Grid Computing: A Review // Greener Journal of Science, Engineering and Technology Research. 2012. V. 2. № 1. P. 034–041. ISSN 2276-7835.
10. Kothamasu R., Huang S.H., & VerDuin W.H. System health monitoring and prognostics — a review of current paradigms and practices // The International Journal of Advanced Manufacturing Technology. 2006. 28(9-10), 1012–1024. doi:10.1007/s00170-004-2131-6
11. Vachtsevanos G., Lewis F.L., Roemer M., Hess A., Wu B. Intelligent Fault Diagnosis and Prognosis for Engineering Systems. John Wiley & Sons. 2006. 456 p. ISBN 978-0-471-72999-0.
12. Lei Y., Li N., Guo L., Li N., Yan T. & Lin J. Machinery health prognostics: A systematic review from data acquisition to RUL prediction // Mechanical Systems and Signal Processing. 2018. 104, 799–834. doi:10.1016/j.ymssp.2017.11.016
13. Munerman V., Munerman D. Realization of distributed data processing on the basis of container technology / Proceedings of the 2019 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering, ElConRus 2019. Saint Petersburg – Moscow: Institute of Electrical and Electronics Engineers Inc. 2019. P. 1740–1744. DOI 10.1109/EIConRus.2019.8656766. EDN WUTIFX.
14. Мунерман В.И. Архитектура программно-аппаратного комплекса для массовой обработки данных на базе многомерно-матричной модели // Системы высокой доступности. 2015. Т. 11. № 2. С. 13–18. EDN UBGECV.
15. Мунерман В.И. Реализация параллельной обработки данных в облачных системах // Современные информационные технологии и ИТ-образование. 2017. Т. 13. № 2. С. 57–63. DOI 10.25559/SITITO.2017.2.223. EDN ZMDWXT.
16. Синицын И.Н., Титов Ю.П. Управление наборами значений параметров системы методом муравьиных колоний // Автоматика и телемеханика. 2023. № 8. С. 153–168. DOI 10.31857/S000523102308010X. EDN HDNFSR.
17. Синицын И.Н., Титов Ю.П. Оптимизация порядка следования гиперпараметров вычислительного кластера методом муравьиных колоний // Системы высокой доступности. 2022. Т. 18. № 3. С. 23–37. DOI 10.18127/j20729472-202203-02. EDN JSTBRY.
18. Синицын И.Н., Дружинина О.В., Белоусов В.В. и др. Опыт разработки инструментально-методического обеспечения для решения задач моделирования нелинейных управляемых систем с применением технологий машинного обучения и отечественных программно-аппаратных средств // Нелинейный мир. 2019. Т. 17. № 4. С. 5–19. DOI 10.18127/j20700970-201903-06. EDN AAFYCL.
19. Евтушенко Ю.Г., Посыпкин М.А. Применение метода неравномерных покрытий для глобальной оптимизации частично целочисленных нелинейных задач // Журнал вычислительной математики и математической физики. 2011. Т. 51. № 8. С. 1376–1389. EDN NYFZFR.
20. Заикин О.С., Посыпкин М.А., Семенов А.А., Храпов Н.П. Опыт организации добровольных вычислений на примере проектов OPTIMA@home и SAT@home / Параллельные вычислительные технологии (ПаВТ'2012): Труды междуна. научной конф. Новосибирск, 26–30 марта 2012 г. / Отв. Л.Б. Соколинский, К.С. Пан. Новосибирск: Издательский центр ЮУрГУ. 2012. С. 157–166. EDN SZPNMV.
21. Merkel D. Docker: lightweight linux containers for consistent development and deployment // Linux Journal. 2014. V. 2014. № 239. Article 2. ISSN 1075-3583.
22. Bernstein D. Containers and Cloud: From LXC to Docker to Kubernetes // IEEE Cloud Computing. 2014. 1(3), 81–84. doi:10.1109/mcc.2014.51
23. Pahl C. Containerization and the PaaS Cloud // IEEE Cloud Computing. 2015. 2(3), 24–31. doi:10.1109/mcc.2015.51
24. Burns B., Beda J., Hightower K. Kubernetes: Up and Running: Dive into the Future of Infrastructure. 2nd ed. O'Reilly Media. 2019. 368 p. ISBN 978-1-492-04653-0.
25. Rad B.B., Bhatti H.J., Ahmadi M. An introduction to docker and analysis of its performance // International Journal of Computer Science and Network Security. 2017. V. 17. № 3. P. 228–235.
26. Dorigo M., Birattari M., & Stutzle T. Ant colony optimization // IEEE Computational Intelligence Magazine. 2006. 1(4), 28–39. doi:10.1109/mci.2006.329691
27. Kennedy J. and Eberhart R. Particle Swarm Optimization / Proceedings of ICNN'95-International Conference on Neural Networks. 1995. V. 4. IEEE. Perth, WA. 27 November-1 December 1995. 1942–1948. https://doi.org/10.1109/ICNN.1995.488968
28. Goldberg D.E. Genetic Algorithms in Search, Optimization and Machine Learning. Addison-Wesley Publishing Company. 1989. 412 p. ISBN 978-0-201-15767-3.
29. Glover F., Laguna M. Tabu Search. Kluwer Academic Publishers. 1997. 382 p. ISBN 978-0-7923-9965-0.