МОДЕЛЮВАННЯ МІНІМАЛЬНОЇ КІЛЬКОСТІ ВУЗЛІВ КЛАСТЕРА ВІРТУАЛІЗАЦІЇ ПРИВАТНИХ УНІВЕРСИТЕТСЬКОЇ ХМАРИ

Валерій Лахно; Мирослав Лахно; Олена Криворучко; Альона Десятко; Віталій Чубаєвський; Бахитжан Ахметов; Мадіна Береке

doi:10.28925/2663-4023.2023.21.177192

Автор(и)

Валерій Лахно Національний університет біоресурсів і природокористування України https://orcid.org/0000-0001-9695-4543
Мирослав Лахно Національний університет біоресурсів і природокористування України https://orcid.org/0000-0001-6979-6076
Олена Криворучко Державний торговельно-економічний університет https://orcid.org/0000-0002-7661-9227
Альона Десятко Державний торговельно-економічний університет https://orcid.org/0000-0002-7661-9227
Віталій Чубаєвський Державний торговельно-економічний університет https://orcid.org/0000-0001-8078-2652
Бахитжан Ахметов Казахський національний педагогічний університет ім. Абая https://orcid.org/0000-0001-5622-2233
Мадіна Береке Казахський національний педагогічний університет ім. Абая https://orcid.org/0000-0001-5630-0553

DOI:

https://doi.org/10.28925/2663-4023.2023.21.177192

Ключові слова:

хмарно-орієнтоване навчальне середовище, університетська хмара, заклад вищої освіти, віртуалізація, віртуальні машини, оптимальне розміщення, модель

Анотація

Хмарні обчислення - це парадигма обчислень, що динамічно розвивається. Особливо зросла затребуваність хмарних додатків та технологій (ХДТ) у період пандемії коронавірусу CoVID-19 та військового стану в Україні. Основною метою застосування ХДТ є звільнення користувачів хмарними ресурсами від управління апаратним та програмним забезпеченням (ПЗ). Однією із задач при проектуванні приватної університетської хмари є оцінка необхідної кількості вузлів кластера віртуалізації. На таких вузлах розміщують віртуальні машини (ВМ) користувачів. Ці ВМ можуть використовуватися учнями та викладачами для виконання навчальних завдань, а також для наукової роботи. Друге завдання – оптимізація розміщення ВМ в обчислювальній мережі (ОМ) закладу вищої освіти, що дозволяє скоротити кількість вузлів ОМ без впливу на функціональність. А це, зрештою, сприяє скороченню вартості такого рішення щодо розгортання приватної університетської хмари, що не менш важливо для українських закладів вищої освіти в умовах військового стану. У статті запропоновано модель оцінки необхідної кількості вузлів кластера віртуалізації для приватної університетської хмари. Модель заснована на комбінованому підході, який передбачає спільне рішення задачі про оптимальну упаковку та знаходження за допомогою генетичного алгоритму конфігурації серверних платформ приватної університетської хмари.

Завантаження

Дані завантаження ще не доступні.

Посилання

Hrybiuk, O. O. (2013). Perspektyvy vprovadzhennia khmarnykh tekhnolohii v osviti. Theory and methods of e-learning, 4, 45-58.

Dyulicheva, Y. (2013). Uprovadzhennia khmarnykh tekhnolohii v osvitu: problemy ta perspektyvy. Journal of Information Technologies in Education (ITE), (14), 058-064.

Kiporenko, S. S. (2019). Osoblyvosti vykorystannia khmarnykh tekhnolohii v osviti. Ekonomika. Finansy. Menedzhment: aktualni pytannia nauky i praktyky: zb. nauk. pr. VNAU.

Dong, T., Ma, Y., & Liu, L. (2012). The application of cloud computing in universities education information resources management. In Information Engineering and Applications: International Conference on Information Engineering and Applications (IEA 2011) (pp. 938-945). Springer London.

Wagh, N., Pawar, V., & Kharat, K. (2019). Educational Cloud Framework—A Literature Review on Finding Better Private Cloud Framework for Educational Hub. U Microservices in Big Data Analytics (s. 13–27). Springer Singapore. https://doi.org/10.1007/978-981-15-0128-9_2.

Khayyat, M., Elgendy, I. A., Muthanna, A., Alshahrani, A. S., Alharbi, S., & Koucheryavy, A. (2020). Advanced deep learning-based computational offloading for multilevel vehicular edge-cloud computing networks. IEEE Access, 8, 137052-137062.

Yadegaridehkordi, E., Shuib, L., Nilashi, M., & Asadi, S. (2019). Decision to adopt online collaborative learning tools in higher education: A case of top Malaysian universities. Education and Information Technologies, 24, 79-102.

Alavi, E., & Mohan, M. C. (2013). An e-learning system architecture based on new business paradigm using cloud computing. International Journal of Engineering Sciences & Research Technology, 2(10), 2990-2999.

Buyya, R., Yeo, C. S., & Venugopal, S. (2008, September). Market-oriented cloud computing: Vision, hype, and reality for delivering it services as computing utilities. In 2008 10th IEEE international conference on high performance computing and communications (pp. 5-13). Ieee.

Chang, V., Bacigalupo, D., Wills, G., & De Roure, D. (2010, May). A categorisation of cloud computing business models. In 2010 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing (pp. 509-512). IEEE.

Zhang, Q., Cheng, L. & Boutaba, R. (2010). Cloud computing: state-of-the-art and research challenges. J Internet Serv Appl 1, 7–18. https://doi.org/10.1007/s13174-010-0007-6

Adamu, H., Mohammed, B., Maina, A. B., Cullen, A., Ugail, H., & Awan, I. (2017, August). An approach to failure prediction in a cloud based environment. In 2017 IEEE 5th International Conference on Future Internet of Things and Cloud (FiCloud) (pp. 191-197). IEEE.

Messias, V. R., Estrella, J. C., Ehlers, R., Santana, M. J., Santana, R. C., & Reiff-Marganiec, S. (2016). Combining time series prediction models using genetic algorithm to autoscaling web applications hosted in the cloud infrastructure. Neural Computing and Applications, 27, 2383-2406.

Hsieh, S. Y., Liu, C. S., Buyya, R., & Zomaya, A. Y. (2020). Utilization-prediction-aware virtual machine consolidation approach for energy-efficient cloud data centers. Journal of Parallel and Distributed Computing, 139, 99-109.

Janardhanan, D., & Barrett, E. (2017, December). CPU workload forecasting of machines in data centers using LSTM recurrent neural networks and ARIMA models. In 2017 12th international conference for internet technology and secured transactions (ICITST) (pp. 55-60). IEEE.

Gupta, S., & Dinesh, D. A. (2017, December). Resource usage prediction of cloud workloads using deep bidirectional long short term memory networks. In 2017 IEEE international conference on advanced networks and telecommunications systems (ANTS) (pp. 1-6). IEEE.

Ouhame, S., Hadi, Y., & Ullah, A. (2021). An efficient forecasting approach for resource utilization in cloud data center using CNN-LSTM model. Neural Computing and Applications, 33, 10043-10055.

Bichler, M.: A Mathematical Programming Approach for Server Consolidation Problems in Virtualized Data Centers. IEEE Transactions on Services Computing 3(4), 266-278.

Averyanikhin, A.E., Kotelnitsky, A.V. & Muraviev, K.A. (2016). Method of calculation of optimum number of knots of the cluster of virtualization of the private cloud of virtual desktops by criterion of efficiency. International Research Journal, 5(47). https://doi.org/10.18454/IRJ.2016.47.187.

Gharehpasha, S., Masdari, M., & Jafarian, A. (2021). Virtual machine placement in cloud data centers using a hybrid multi-verse optimization algorithm. Artificial Intelligence Review, 54, 2221-2257.

Gharehpasha, S., Masdari, M., & Jafarian, A. (2021). Power efficient virtual machine placement in cloud data centers with a discrete and chaotic hybrid optimization algorithm. Cluster Computing, 24, 1293-1315.

Proskurin, D. K., & Makovij, K. A. (2017). Zadacha vybora servernyh resursov dlya vnedreniya infrastruktury virtualnyh rabochih stolov. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta, 13(4). 26-32.

Proskurin, D. K., & Makovij, K. A. (2021). Modificirovannyj geneticheskij algoritm resheniya zadachi vybora servernyh resursov pri formirovanii infrastruktury virtualnyh rabochih mest. Vestnik Voronezhskogo gosudarstvennogo tekhnicheskogo universiteta, 17(3), 46-51.

Akhmetov, B., Lakhno, V., Malyukov, V., Akhmetov, B., Yagaliyeva, B., Lakhno, M., Gulmira, Y. A. (2022). Model for Managing the Procedure of Continuous Mutual Financial Investment in Cybersecurity for the Case with Fuzzy Information. Lecture Notes on Data Engineering and Communications Technologies, 93, pp. 539-553.

Lakhno, V., Malyukov, V., Mazur, N., Kuzmenko, L., Akhmetov, B., Hrebeniuk, V. (2020). Development of a model for decision support systems to control the process of investing in information technologies Eastern-European Journal of Enterprise Technologies, 1(3), pp. 74-81.

Hochba, D. S. (Ed.). (1997). Approximation algorithms for NP-hard problems. ACM Sigact News, 28(2), 40-52.

Martello, S., & Toth, P. (1990). Knapsack problems: algorithms and computer implementations. John Wiley & Sons, Inc.

Akhmetov, B. S., Lakhno, V., Akhmetov, B. B., Zhilkishbayev, A., Izbasova, N., Kryvoruchko, O., & Desiatko, A. (2022). Application of a Genetic Algorithm for the Selection of the Optimal Composition of Protection Tools of the Information and Educational System of the University. Procedia Computer Science, 215, 598–607. https://doi.org/10.1016/j.procs.2022.12.062.

Lakhno, V., Bereke, M., Adilzhanova, S., Chubaievskyi, V., Kryvoruchko, O., Desiatko, A., & Palaguta, K. (2022). GENETIC ALGORITHM FOR SOLVING THE PROBLEM OF SCALING A CLOUD-ORIENTED OBJECT OF INFORMATIZATION. Journal of Theoretical and Applied Information Technology, 100(7), 1693-1705. ISSN 19928645

Desiatko, A. M., Zavoruieva, O.S. (2016). Praktychna tsinnist khmaro-oriientovanykh tekhnolohii v osvitnii diialnosti. U Modern scientific researches and developments: theoretical value and practical results (s. 47-48).

Desiatko, A. M. (2016). Vykorystannia khmaro-oriientovanykh tekhnolohii v orhanizatsii dystantsiinoi osvity. Dystantsiine navchannia yak suchasna osvitnia tekhnolohiia. RVV KhTEI KNTEU.