Пошук академічних текстів

Інформація × Реєстраційний номер 0824U000218, Дисертація доктора філософії На здобуття Доктор філософії Дата захисту Статус Запланована Назва роботи Методика побудови адаптивних кластерів комп’ютерних систем для збору та обробки інформації з пристроїв ІоТ Здобувач Хоменчук Владислав Олегович, Керівник Сторчак Каміла Павлівна Опонент Коршун Наталія Володимирівна Опонент Жураковський Богдан Юрійович Рецензент Ткаленко Оксана Миколаївна Рецензент Макаренко Анатолій Олександрович Опис Дисертаційна робота присвячена розробці методики побудови адаптивних кластерів комп’ютерних систем для збору та обробки інформації з пристроїв ІоТ. Формування передових підходів до побудови та функціонування кластерів комп’ютерних систем, та розвиток на їх основі розподілених баз даних привело до виникнення та розвитку методів розподілення навантаження між елементами кластеру. Системи Інтернету речей (IoT) зазвичай збирають великі обсяги даних в реальному часі від сенсорів та пристроїв. Використання баз даних часових рядів (TSDB) може бути дуже ефективним для зберігання та аналізу цих даних. TSDB спеціально розроблені для ефективного зберігання та опрацювання великих обсягів часових рядів даних, що робить їх ідеальним вибором для систем IoT, де дані часто представлені у вигляді часових рядів. Багато TSDB оптимізовані для швидкого читання та запису даних, що важливо для систем, які працюють в реальному часі, таких як системи IoT. TSDB можуть надавати можливості для виконання агрегацій та опрацювання даних безпосередньо в базі даних, що зменшує навантаження на додаткові аналітичні інструменти. Зростаюча популярність ІоТ за останні роки різко зростає та широко застосовується в різних галузях. З кожним роком кількість підключених пристроїв продовжує зростати. Від домашніх пристроїв до промислових систем, IoT надає можливість зберігати, обробляти та обмінюватися даними. Зниження вартості сенсорів та їх покращення дозволяють вбудовувати їх у різні пристрої та об'єкти, що раніше не були підключені до Інтернету. Зростання швидкості та доступності бездротових мереж, таких як 5G, сприяє покращенню комунікації між підключеними пристроями. Впровадження IoT в промисловості призводить до оптимізації виробничих процесів, підвищення ефективності та зменшення витрат. Хмарні технології надають можливість зберігання та обробки великих обсягів даних з IoT, забезпечуючи доступ до них з будь-якого місця. Різко зростаюча популярність ІоТ призводить до стрімкого збільшення запитів до бази даних, що створює проблему нерівномірного навантаження. Проблема нерівномірного навантаження в кластері розподіленої бази даних виникає, коли різні частини бази даних або вузли кластера отримують нерівномірну кількість запитів. Це може мати ряд наслідків, які впливають на ефективність та продуктивність системи. Основні аспекти цієї проблеми включають: - Вузли або сервери в кластері можуть бути перевантажені внаслідок великої кількості запитів або завдань, тоді як інші можуть залишатися непоміченими. Це може впливати на швидкість виконання запитів та час відповіді. - Нерівномірне навантаження може викликати неефективне використання ресурсів кластера, таких як обчислювальна потужність, пам'ять та мережеві ресурси. Деякі вузли можуть просто працювати на повну потужність, тоді як інші можуть залишатися невикористаними. Основним завданням дисертаційної роботи є розробка методики побудови окремого агента для розподілення навантаження на кластер розподіленої бази даних часових рядів. Для цього необхідно: 1) Провести аналіз вимог до систем Інтернету речей та обробки даних. 2) Провести аналіз кластерних систем для створення розподіленої бази даних для систем ІоТ. 3) Розробити методику навчання нейронної мережі для розподілу навантаження баз даних часових рядів. 4) Розробити алгоритм роботи агенту бази даних часових рядів для маршрутизації запитів. 5) Розробити програмну модель нейронної мережі для аналізу навантаження на базу даних часових рядів. В дисертаційній роботі описано методику побудови нейронної мережі для адаптивного розподілу навантаження в кластері розподіленої бази даних часових рядів. Отриманий показник точності для валідаційної вибірки нейронної мережі складає 86%. Модель з використанням нейронної мережі продемонструвала підвищення ефективності на 20% у порівняні з класичним методом розподілу навантаження. Отримані наступні наукові результати: 1) Розроблена методика навчання нейронної мережі для розподілу навантаження для баз даних часових рядів, що дозволяє забезпечити рівномірне навантаження на вузли кластера. 2) Розроблений алгоритм роботи агента бази даних часових рядів для забезпечення маршрутизації запитів. 3) Розроблена програмна модель нейронної мережі для аналізу навантаження на базу даних часових рядів, що дало змогу збільшити ефективність роботи кластера у 1,2 рази. Розроблено стратегію розподілу запитів до бази даних часових рядів на основі рекурентної нейронної мережі. Для спрощення навчання рекурентної нейронної мережі, було запропоновано метод оптимізації структури вхідних даних за допомоги розподілу часових рядів у відокремлені hash bucket. Дата реєстрації 2024-01-09 Додано в НРАТ 2025-01-17 Закрити