ПОКРАЩЕННЯ ПРОДУКТИВНОСТІ ХМАРНИХ СИСТЕМ ШЛЯХОМ АДАПТИВНОЇ ОПТИМІЗАЦІЇ РЕСУРСІВ НА ОСНОВІ ГЕНЕТИЧНИХ АЛГОРИТМІВ

Анотація

У статті досліджено підхід до покращення продуктивності хмарних систем шляхом адаптивної оптимізації ресурсів на основі генетичних алгоритмів (GA). Зокрема, увагу приділено оцінці ефективності системи при високих навантаженнях у гібридному хмарному середовищі AWS, що відповідає реальним умовам використання. Дослідження виконано на архітектурі, яка містить три EC2-інстанси типу t3.small, що виконували роль серверів для обробки запитів, та один EC2-інстанс типу t3.medium, який виконував роль маршрутизатора. На маршрутизаторі були реалізовані генетичні алгоритми (GA) та нейромережа (NN), яка прогнозувала пікові навантаження та допомагала адаптивно розподіляти запити.

Методологія дослідження базується на проведенні навантажувальних тестів за допомогою інструменту Gatling, що дозволяє моделювати поведінку користувачів та аналізувати продуктивність системи за різних рівнів активності. Під час тестування аналізувалися такі ключові параметри: загальний час виконання завдань, вартість використання ресурсів а також фактичне використання CPU та пам'яті. Проведена серія експериментів із різними варіантами конфігурацій, що включали використання класичного генетичного алгоритму (Classic GA), багатоцільового генетичного алгоритму (Multi-Objective GA) та гібридного алгоритму (Hybrid GA + RL) з нейромережею, яка навчалася протягом 15 хвилин, 30 хвилин, 1 години та 12 годин.

Результати дослідження продемонстрували, що використання генетичних алгоритмів суттєво покращує продуктивність системи порівняно з традиційними підходами до балансування навантаження. Особливо ефективним виявився підхід Hybrid GA + RL із тривалим навчанням нейромережі (12 годин), що забезпечив найменший час виконання завдань, оптимальне використання CPU та пам'яті, а також мінімальні витрати на ресурси серед усіх досліджуваних конфігурацій. Багатоцільовий генетичний алгоритм (Multi-Objective GA) також показав кращу продуктивність порівняно з класичним алгоритмом, особливо у випадках нестабільного навантаження.

Таким чином, отримані результати підтверджують доцільність використання адаптивної оптимізації на основі генетичних алгоритмів та нейромереж у хмарних системах AWS. Запропоновані підходи забезпечують підвищення продуктивності, зниження вартості та покращення стабільності роботи системи.

Висновки: результати досліджень можуть бути корисними для інженерів, які працюють із хмарними сервісами, а також для розробників масштабованих web-застосунків із високим навантаженням.