Реєстраційний номер
0825U003208, Дисертація доктора філософії
На здобуття
Доктор філософії
Дата захисту
27-08-2025
Статус
Наказ про видачу диплома
Назва роботи
Методи та моделі синтезу архітектури віртуальних розподілених комп’ютерних систем
Здобувач
Тележенко Денис Олександрович,
Керівник Толстолузька Олена Геннадіївна
Опонент Можаєв Олександр Олександрович
Опонент Доренський Олександр Павлович
Рецензент Стрілець Вікторія Євгенівна
Рецензент Мірошник Марина Анатоліївна
Установа, організація, у вченій раді якої відбудеться/відбувся захист
Харківський національний університет імені В. Н. Каразіна
Опис
Тележенко Д. О. Методи та моделі синтезу архітектури віртуальних розподілених комп’ютерних систем. – Кваліфікаційна наукова праця на правах рукопису.
Дисертація на здобуття ступеня доктора філософії за спеціальністю 122 Комп’ютерні науки (Галузь знань 12 Інформаційні технології). – Харківський національний університет імені В. Н. Каразіна, Міністерство освіти і науки України, Харків, 2025.Дисертація присвячена актуальній науковій проблемі – розробці методів і моделей синтезу архітектури віртуальних розподілених комп’ютерних систем (ВРКС) для забезпечення їх надійності, продуктивності та адаптивності до змінних умов роботи. Основна мета дослідження полягає у створенні нових алгоритмічних підходів, що дозволяють прогнозувати та мінімізувати вплив збоїв, забезпечувати оптимальний розподіл ресурсів і підтримувати стабільну роботу в умовах динамічних змін.
У дисертації проведено глибокий аналіз сучасних підходів до управління ВРКС, включаючи балансування навантаження, динамічне масштабування, автоматичне резервування та моніторинг. Виявлено ключові виклики: відсутність ефективних засобів проактивного виявлення та попередження збоїв, а також недостатня інтеграція інструментів машинного навчання для адаптивного управління архітектурою.
Розглянуто еволюцію технологій віртуалізації та класифікацію архітектур ВРКС (монолітні, мікросервісні, централізовані, децентралізовані). Підкреслено вплив різних архітектур на масштабованість та оптимізацію системи. Досліджено важливість оптимізації ресурсів, зокрема динамічного розміщення віртуальних машин та застосування інтелектуальних підходів (машинного навчання) для підвищення ефективності використання ресурсів. Проаналізовано існуючі інструменти прогнозування та управління, виявивши їхню недостатню точність для сучасних динамічних систем.
Описано розробку концептуальної моделі синтезу архітектури ВРКС, що включає апаратне забезпечення, гіпервізор, віртуальні машини та модуль управління. Досліджено методи паралельної обробки інформації (суміщення незалежних операторів, конвеєрна та декомпозиційна обробка) для оптимізації обчислювальних процесів у віртуальних машинах. Детально розглянуто процес інтеграції алгоритму LSTM для прогнозування навантаження. Особливу увагу приділено якісній підготовці даних (очищення, нормалізація, структуризація) та адаптації LSTM для роботи з часовими послідовностями.
Представлено розробку та тестування модифікованого методу відновлення ВРС після збоїв. Основна увага зосереджена на прогнозуванні навантаження та моделюванні поведінки системи під час аварійних ситуацій. Створено експериментальне середовище за допомогою Docker-контейнерів, Nginx, Prometheus та Node Exporter для моделювання збоїв (зупинка контейнерів, перевантаження вузлів). Досліджено вплив LSTM на точність прогнозування збоїв вузлів, показавши значне зменшення часу реакції системи та мінімізацію втрат даних. Описано процес збору даних з використанням Apache Benchmark та моніторинг ключових показників (CPU, RAM, затримка відповіді, кількість оброблених запитів).
Описано методологію збору, обробки та нормалізації даних для моделі прогнозування навантаження. Використано відкриті набори даних Kaggle з показниками використання CPU, RAM, дискових і мережевих ресурсів. Детально розглянуто налаштування архітектури LSTM-моделі (вхідний шар, LSTM-шари, Dropout-шар, Dense-шар), визначено оптимальну кількість нейронів та параметри тренування. Описано процес навчання та валідації моделі з використанням крос-валідації та метрик оцінки (MSE, MAE, R²). Результати підтвердили здатність LSTM ефективно прогнозувати навантаження та знижувати затримки в реальних умовах роботи серверів.
Дисертація демонструє ефективність запропонованих методів і моделей для синтезу архітектури віртуальних розподілених систем. Запропонований прогнозно-адаптивний підхід із використанням алгоритму LSTM забезпечує високу точність прогнозування навантаження, оптимізацію розподілу ресурсів та мінімізацію наслідків збоїв. Практична значущість підтверджується здатністю підвищувати продуктивність і надійність віртуальних систем у динамічних умовах. Це відкриває нові перспективи для впровадження інтелектуальних рішень у хмарних середовищах, IoT та інших масштабованих обчислювальних платформах, роблячи внесок у розвиток сучасних інформаційних технологій.
Дата реєстрації
2025-07-29
Додано/оновлено в НРАТ
2025-07-29 / 2026-07-01
