Н.В. Гребень1, Д.А. Олейник2, А.К. Кирьянов3, А.А. Сычугов4, Е.И. Минаков5

1,2 Объединенный институт ядерных исследований (г. Дубна, Россия)

3 НИЦ «Курчатовский институт» − ПИЯФ (г. Гатчина, Россия)

4,5 ФГБОУ ВО «Тульский государственный университет» (г. Тула, Россия)

1 ngreben@jinr.ru, 2 danila.oleynik@jinr.ru, 3 kiryanov_ak@pnpi.nrcki.ru, 4 xru2003@list.ru, 5 eminakov@bk.ru

Постановка проблемы. На сегодняшний день для проведения естественно-научных исследований необходим значительный объем собираемых и моделируемых данных, особенно в области физики высоких энергий, где объем данных достигают десятков петабайт. Вычислительные системы, предназначенные для обработки данных в подобных экспериментах, как правило, являются проблемно-ориентированными. Их разработка и настройка представляют собой сложную задачу, требующую значительных ресурсов и времени. Например, в эксперименте SPD на коллайдере NICA предъявляются особые требования к вычислительной системе для комплексной предварительной обработки данных. Разработка специализированной вычислительной системы включает в себя проведение различных отладочных тестов с использованием десятков или даже сотен вычислительных узлов. Однако ручная настройка таких инфраструктур − недетерминированная и подверженная ошибкам операция, характеризующаяся существенным временем выполнения.

Цель. Разработать и реализовать механизм автоматизирующий развертывание вычислительного кластера в частной облачной инфраструктуре позволяющий снизить временны́е затраты и уменьшить количество ручных операций.

Результаты. Представлена методика оперативного развертывания динамически масштабируемого вычислительного кластера на базе частной облачной инфраструктуры. Приведено подробное описание аппаратная составляющая и ее конфигурация, использованная для реализации инфраструктуры тестового стенда, выбранный стек программного обеспечения для управления виртуализацией и конфигурацией вычислительных узлов, а также реализованный метод автоматизированного развертывания их необходимого числа. Показано, что предложенное решение в течение нескольких минут позволяет в автоматизированном режиме создать пул предварительно сконфигурированных виртуальных машин, что в сравнении с ручной подготовкой узлов, обеспечивает существенное сокращение времени ввода в эксплуатацию, высокую воспроизводимость результатов и исключает ошибки, свойственные многоэтапным рутинным операциям. Разработано CLI-приложение с хранением состояний в базе данных для обеспечения быстрого развертывания, удаления и обновления пула вычислительных узлов. Проведен эксперимент на прототипе аппаратной составляющей системы первичной обработки данных эксперимента Spin Physics Detector (SPD) – SPD Online Filter, результаты которого могут быть обобщены и применены для аналогичных процедур развертывания вычислительных систем в других проектах.

Практическая значимость. Представленная методика имеет универсальный характер и может быть использована для создания аналогичных вычислительных систем для широкого класса научных и прикладных задач.

Гребень Н.В., Олейник Д.А., Кирьянов А.К., Сычугов А.А., Минаков Е.И. Автоматизация развертывания вычислительного кластера в облачной инфраструктуре // Радиотехника. 2026. Т. 90. № 9. С. 142−149. DOI: https://doi.org/10.18127/j00338486-202609-15

1. Abazov V. et al. Technical design report of the spin physics detector at NICA // Natural Sci. Rev. 2024. V. 1. № 1; https://doi.org/10.54546/NaturalSciRev.100101.
2. Andreev V., Belova A., Galoyan A., Gerassimov S., Golovanov G., et al. Offline Software and Computing for the SPD Experiment e-Print: 2111.02047 [physics.ins-det]; https://arxiv.org/abs/2111.02047.
3. Sadiku M.N.O., Ezeand K.G., Musa S.M. High-throughput computing // Int. J. Trend Res. Dev. 2018. № 54. Р. 329–330.
4. oVirt project. https://www.ovirt.org.
5. Dakic Vedran, Chirammal Humble Devassy, Mukhedkar Prasad. Mastering KVM virtualization. Second Edition. Birmingham. UK: Packt Publishing. 2020. 686 р.
6. Амундсен М. RESTful Web API паттерны и практики. Казахстан: Sprint Book. 2025. 464 c.
7. Open Source Client for Enterprise Identity Management https://sssd.io/.
8. Ansible project // Red Hat; https://www.ansible.com.
9. Моррис К. Программирование инфраструктуры. Изд. 2-е. СПб: БХB. 2024. 416 c.
10. Rahman A., Mahdavi-Hezaveh R., Williams L. A systematic mapping study of infrastructure as code research // Information and Software Technology. 2019. V. 108. Р. 65−77; https://doi.org/10.1016/j.infsof.2018.12.004.
11. Cloud-Init documentation. https://cloudinit.readthedocs.io.
12. Owens M., Grant A. The definitive guide to Sqlite. London. UK: Springer. 2010. 350 р.
13. The Rust Programming Language. https://doc.rust-lang.org/book/.