Аналіз алгоритмів балансування навантаження у хмарних обчисленнях

Автор(и)

  • І.О. Шкляр Державний університет «Київський авіаційний інститут»

DOI:

https://doi.org/10.18372/2073-4751.82.20374

Ключові слова:

хмарні обчислення, CloudSim, балансування навантаження, симуляція, алгоритми розподілу задач, Honeybee Foraging, Min-Min, ANOVA, віртуалізація, датацентр

Анотація

У статті представлено результати симуляційного дослідження ефективності різних алгоритмів балансування навантаження в інфраструктурі хмарного сервісу з використанням платформи CloudSim v7.0.0. Було змодельовано середовище з одним датацентром, 10 хостами, 50 віртуальними машинами та 200 cloudlet-задачами. Проведено порівняння семи алгоритмів балансування навантаження, зокрема Round Robin, Throttled Load Balancing, Active Monitoring, Weighted Least Connection, Biased Random Sampling, Min-Min та Honeybee Foraging. Результати симуляцій оцінювались за показниками середнього часу завершення задач, завантаження процесора, дисперсії навантаження та кількості міграцій задач. Статистичний аналіз, зокрема дисперсійний аналіз (ANOVA) та парні t-тести, дозволив встановити суттєві відмінності в ефективності алгоритмів. За результатами дослідження запропоновано напрямки подальшого удосконалення стратегій балансування з урахуванням адаптивних та гібридних підходів.

Посилання

Calheiros R.N. et al. CloudSim: A toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms. Software: Practice and Experience. 2011. Vol. 41(1). P. 23–50.

Buyya R., Broberg J., Goscinski A. Cloud Computing: Principles and Para-digms. Hoboken : John Wiley & Sons, 2011. 674 p.

Andreoli R. et al. CloudSim 7G: An Integrated Toolkit for Modeling and Simulation of Future Generation Cloud Computing Environments. Software: Prac-tice and Experience. 2025. Vol. 55(6). P. 1041–1058.

Beloglazov A., Buyya R. Optimal Online Deterministic Algorithms and Adap-tive Heuristics for Energy and Performance Efficient Dynamic Consolidation of Virtual Machines in Cloud Data Centers. Concur-rency and Computation: Practice and Expe-rience. 2012. Vol. 24, iss. 13.

Ghribi C., Hadji M., Zeghlache D. Energy efficient VM scheduling in cloud data centers. 2013 13th IEEE/ACM Interna-tional Symposium on Cluster, Cloud, and Grid Computing : proceedings, Delft, Neth-erlands, 13–16 May 2013 / IEEE. 2013. P. 671–678. DOI: 10.1109/CCGrid.2013.89.

Tsakalidou V. N., Mitsou P., Pa-pakostas G. Machine learning for cloud re-sources management -- An overview. 2021. 10.48550/arXiv.2101.11984.

Vashistha D. et al. Deep Learning Based Load Balancing in Cloud Computing: A Survey. Procedia Computer Science. 2025 Vol. 259. P. 1963–1972.

Hameed A. et al. A survey and taxonomy on energy efficient resource allo-cation techniques for cloud computing sys-tems. Computing. 2014. Vol. 98(7).

Ghomia E. J., Rahmania A. M., Qaderb N. N. Load-balancing algorithms in cloud computing: A survey. Journal of Net-work and Computer Applications. 2017. Vol. 88. P. 50–71.

Kołodziej J. et al. Hierarchical ge-netic-based grid scheduling with energy op-timization. Cluster Computing. 2012. Vol. 16. P. 591–609.

Ko S. Y. et al. Making cloud in-termediate data fault-tolerant. 1st ACM Symposium on Cloud Computing, SoCC 2010 : proceedings, Indianapolis, IN, USA, 10–11 June 2010 / ACM. New York, 2010. P. 181–192.

Kliazovich D. et al. GreenCloud: A Packet-Level Simulator of Energy-Aware Cloud Computing Data Centers. The Journal of Supercomputing. 2010. Vol. 62(3). P. 1–5.

Mehor Y., Rebbah M., Smail O. Energy-Aware Scheduling of Tasks in Cloud Computing. Informatica. 2024. Vol. 48. P. 125–136.

Nuaimi K., Mohamed N., Alnuai-mi M., Al-Jaroodi J. A Survey of Load Bal-ancing in Cloud Computing: Challenges and Algorithms. 2012 Second Symposium on Network Cloud Computing and Applications : proceedings, London, UK, 03–04 Decem-ber 2012 / IEEE. 2012. P. 137–142.

Singh S., Chana I. Q-aware: Quali-ty of service based cloud resource provision-ing. Computers & Electrical Engineering. 2015. Vol. 47. P. 138–160.

Abrishami S., Naghibzadeh M., Epema D. H. J. Deadline-constrained work-flow scheduling algorithms for IaaS Clouds. Future Generation Computer Systems. 2013. Vol. 29(1). P.158–169.

Dastjerdi A.V., Buyya R. Fog Computing: Helping the Internet of Things Realize its Potential. Computer. 2016. Vol. 49. P. 112–166.

Chiang M., Zhang T. Fog and IoT: An Overview of Research Opportunities. IEEE Internet of Things Journal. 2016. Vol. 3(6). P. 854–864.

Karaboga D., Basturk B. A pow-erful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimi-zation. 2007. Vol. 39. P. 459–471.

##submission.downloads##

Опубліковано

2025-08-23

Як цитувати

Шкляр, І. (2025). Аналіз алгоритмів балансування навантаження у хмарних обчисленнях. Проблеми iнформатизацiї та управлiння, 2(82), 102–107. https://doi.org/10.18372/2073-4751.82.20374

Номер

Том 2 № 82 (2025)

Розділ

Статті

Ліцензія

Науковий журнал дотримується принципів відкритого доступу (Open Access) та забезпечує вільний, негайний і постійний доступ до всіх опублікованих матеріалів без фінансових, технічних або юридичних обмежень для читачів.

Усі статті публікуються у відкритому доступі відповідно до ліцензії Creative Commons Attribution 4.0 International (CC BY 4.0).

Авторські права

Автори, які публікують свої роботи в журналі:

  • зберігають за собою авторські права на свої публікації;

  • надають журналу право на перше опублікування статті;

  • погоджуються на поширення матеріалів за ліцензією CC BY 4.0;

  • мають право повторно використовувати, архівувати та поширювати свої роботи (у тому числі в інституційних та тематичних репозитаріях) за умови посилання на первинну публікацію в журналі.