АВТОМАТИЗИРОВАННАЯ СИСТЕМА ПОСТРОЕНИЯ ЭФФЕКТИВНОГО ПЛАНА РАСПРЕДЕЛЕНИЯ РЕСУРСОВ ДЛЯ ПРОЕКТИРОВАНИЯ КЛАСТЕРА МИКРОСЕРВИСНЫХ ПРИЛОЖЕНИЙ

​АННОТАЦИЯ

В статье рассматривается и обосновывается значимость и необходимость применения автоматизированного, оптимизационного программного модуля планирования ресурсов для проектирования кластера микросервисных приложений.

ABSTRACT

The article discusses and substantiates the importance and necessity of using an automated, optimization software module of resource planning for designing a cluster of microservice applications.

Ключевые слова: планирование ресурсов; вычислительный кластер; микросервисное приложение, оптимизация планирования ресурсов.

Keywords: resource planning; computing cluster; microservice application, resource planning optimization.

Введение

В современном мире информационные технологии развиваются с экспоненциальным ростом. Каждый год глобальную сеть пополняют множество новых сервисов и приложений. Увеличение числа доступных программных средств сопровождается необходимостью выделять для них вычислительные ресурсы.

В связи с увеличением скорости изменений технологий и рынка, возникает необходимость в повышении результативности деятельности и достижения конкурентных преимуществ путем оптимизации временных, финансовых, материальных и трудовых ресурсов методами грамотного планирования и реализации проектов.

Однако несмотря на то, что важность эффективности распределения ресурсов не вызывает сомнений, на сегодняшний день недостаточно исследований, описывающих опыт практического применения тех или иных методов ресурсной оптимизации на практике управления проектами во всех отраслях экономики. Существующие исследования, как правило, направлены на изучение традиционных подходов к ресурсному планированию. Описываемые в таких работах методы зачастую обладают высокой специфичностью и трудно применимы для решения возникающих в проектах проблем. Следует учесть, что стремительное изменение окружающей среды проекта в современном мире делает воплощение детального планирования крайне сложным, вынуждая принимать решения в условиях неопределенности.

Приобретение качественных вычислительных ресурсов ведет за собой значительные материальные затраты. Неверное планирование своих вычислительных мощностей приводит к большим финансовым и временным потерям. Разработка программного продукта для автоматического построения эффективного плана использования вычислительных ресурсов является актуальной темой на фоне роста огромного цифрового пространства, постоянного увеличения потребности в вычислительных мощностях и их высокой стоимости.

Задачи

• Провести анализ предметной области и бизнес-процесса
• Составить модель текущего процесса планирования ресурсов для проектирования кластера микросервисных приложений
• Обозначить проблемы текущего решения
• Предложить новое решение и рассмотреть его особенности

Актуальность предлагаемого решения

Вычислительные ресурсы стоят не малых денег. Неверное планирование своих вычислительных мощностей приводит к большим финансовым и временным потерям. Особенно ярко это проявляется на длительной дистанции.

Пользователь хочет использовать вычислительные ресурсы, не переплачивая, но не может, потому что у него нет инструментария для решения проблемы, а существующие решения не удовлетворяют его потребностей, потому что не имеют достаточного функционала.

Разработка программного продукта для автоматического построения эффективного плана использования вычислительных ресурсов является актуальной темой на фоне роста огромного цифрового пространства и постоянного увеличения потребности в вычислительных мощностях.

Новизна решения состоит в применении эвристических алгоритмов к решению задач оптимизации планов распределения вычислительных ресурсов.

Целью работы является разработка математического и программного обеспечения построения эффективного плана распределения вычислительных ресурсов для проектирования кластера микросервисных приложений.

Основная часть

Процесс организации вычислительного кластера для микросервисных приложений начинается с проектирования его внутренних модулей, количества ресурсов, которые необходимы для обеспечения работы кластера и выполнения им запланированной функции.

Вычислительный кластер представляет из себя набор физических и/ или виртуальных серверов, предназначенных для хранения и запуска контейнеров – модулей микросервисного приложения.

Рисунок 1. Обобщённая модель кластера для микросервисного приложения

Каждый сервер имеет заранее сконфигурированные технические характеристики, значимыми из которых в контексте нашей задачи являются:

•        CPU – количество ядер в используемом процессоре на сервере,

•        RAM – количество оперативном памяти, доступной на сервере;

Каждый из модулей (контейнеров) приложения требует необходимое ему количество вычислительных ядер и оперативной памяти. И так как количество таких модулей исчисляется сотнями в рамках одного кластера, задача эффективного размещения модулей на серверах становится очень тяжело выполнимой в разумные временные сроки.  Очевидно, что по мере роста входного объема данных количество вариантов размещения модулей растет экспоненциально, что значительно сказывается на трудоемкости вычислений. Точных методов решения, которые можно выполнить за приемлемое не существует, поэтому решение такого класса задач осуществляется методами дискретного программирования.

Становиться понятно, что эффективность решения будет напрямую зависеть от качества алгоритма поиска лучшего решения на множестве допустимых решений. В связи с тем, что алгоритмы прямого перебора всех решений являются очень ресурсозатратными и не смогут обеспечить получение решения за приемлемое время при работе с большим объемом данных, возникает необходимость обратиться к улучшенным алгоритмам поиска – эвристическим алгоритмам.

Математическая модель.

Исходная информация может быть представлены следующим набором данных.

                                                           (1)

 – планируемый объем процессорной мощности на одном узле(сервере);

 – планируемый объем оперативной памяти на одном узле(сервере).

 – количество типов модулей в планируемой системе.

– объем требуемой процессорной мощности модуля типа ;

– объем требуемой оперативной памяти модуля типа ;

 – количество модулей типа ;

,– общее количество модулей.

Вводится прямоугольная система координат xOy, у которой оси ОХ и ОY определяют соответственно объем процессорной мощности и оперативной памяти. Решение задачи представляется в виде набора:

                                                                        (2)

,

 и  – координаты прямоугольника(модуля)  по осям OX и OY, ;

 – номер узла, в который упакован модуль , ;

Набор  называется допустимым, если выполняются следующие условия:

1. Ребра прямоугольников параллельны осям координат

2. Взаимное непересечение прямоугольников друг с другом

3. Непересечение прямоугольников (модулей) с гранями листа (узла)

Пример решения:

Рисунок 2. Графическая модель примера решения

Объем неиспользуемых ресурсов вычисляется по следующим формулам:

Оптимизация проводится путем улучшения значения целевой функции – минимизация неиспользуемых ресурсов , .

Метод решения.

Общую схему решения задачи можно представить в виде последовательности следующих шагов.

Шаг 1. Генерация начального решения.

Шаг 2. Поиск лучшего решения на множестве допустимых решений.

Шаг 3. Получение плана распределения ресурсов на основе лучшего решения.

В качестве эвристического алгоритма для нахождение рационального решения возьмем генетический алгоритм.

Обзор генетического алгоритма в общем виде.

Рисунок 3. Генетический алгоритм

Адаптация генетического алгоритма к задаче нахождения эффективного плана распределения ресурсов.

Каждое допустимое решение будет представлено в виде приоритетного списка модулей , которые требуется разместить в узле.

Размещением модулей в узле занимается программный модуль Декодер, который гарантированно получает одно и то же размещение модулей для одного и того же приоритетного списка.

Рисунок 4. Пример размещения модулей декодером

Общая схема решения:

Рисунок 5. Общая схема решения

Адаптированный генетический алгоритм.

Рисунок 6. Адаптированный генетический алгоритм

Анализ бизнес-процесса.

Суть существующего бизнес-процесса заключается в расчете количества необходимых вычислительных ресурсов и их стоимости. Ниже представлены этапы данного процесса:

1. Подготовка списка необходимых ресурсов администратором

2. Составление плана распределения ресурсов аналитиком

3. Поиск поставщика ресурсов аналитиком

4. Расчет стоимости ресурсов аналитиком

5. Согласование бюджета менеджером

Покупка необходимых ресурсов менеджером

Рисунок 7. BPMN-модель существующего процесса

Для автоматизации и оптимизации процесса предлагается внедрение программного продукта, осуществляющего распределение ресурсов, поиск поставщика и расчет стоимости ресурсов.

Этапы процесса будут следующие:

1. Подготовка списка необходимых ресурсов администратором

2. Загрузка данных в программу

3. Расчет с помощью программы

4. Покупка необходимых ресурсов менеджером

Рисунок 8. BPMN-модель предлагаемого процесса

Подпроцесс «Расчет с помощью программы» состоит из следующих этапов:

1) Обработка входных данных

2) Нахождение эффективного плана распределения ресурсов

3) Подбор минимальной стоимости ресурсов

Рисунок 9. BPMN-модель подпроцесса «Расчет с помощью программы»

Подпроцесс «Нахождение эффективного плана распределения ресурсов» состоит из следующих этапов:

1) Генерация начального решения

2) Применение эвристических алгоритмов

3) Декодирование (получение плана распределения ресурсов)

Рисунок 10. BPMN-модель подпроцесса «Нахождение эффективного плана распределения ресурсов»

Подпроцесс «Подбор минимальной стоимости ресурсов» состоит из следующих этапов:

1) Поиск подходящих поставщиков

2) Получение прайс-листов от поставщиков

3) Расчет минимальной стоимости (по плану распределения ресурсов)

Рисунок 11. BPMN-модель подпроцесса «Подбор минимальной стоимости ресурсов»»

В предлагаемом процессе снижается нагрузка на аналитике за счёт автоматизации его обязанностей, а также повышается качество составленного плана распределения ресурсов благодаря делегированию работы аппарату математической оптимизации. Экономия времени аналитика составила 5ч 53 минуты.

Также следует отметить, что план распределения ресурсов составляется математическим оптимизационным алгоритмом, что повышает качество составления плана и позволяет дополнительно сэкономить материальные ресурсы.

Вывод

Таким образом, можно сделать вывод о том, что для обеспечения качественного процесса планирования ресурсов для создания кластера микросервисных приложений должно быть реализовано решение при помощи современных информационных технологий, способных автоматизировать, значительно усовершенствовать и оптимизировать сложные и объемные вычислительные задачи.

Предлагаемый процесс позволяет сократить временные и материальные траты, а также повысить качество выполняемой работы, разработка ПО будет являться лишь разовой тратой. ПО может использоваться на любом современном персональном компьютере и не требует дополнительного аппаратного обеспечения.

Список литературы:

1. Суслова, ЕВ., 2017. Интеллектуальные системы поддержки принятия решений. Молодой ученый, 3. Date Views 28.02.2022.
2. Ольховская И.В., Ишанходжаев М.А. Использование бизнес-интеллекта и бизнес-аналитики в организациях // Экономика и бизнес: теория и практика. 2018. №4. С. 1-3.
3. О. В. Тиханычев Об информационном обеспечении поддержки принятия решений // Программные продукты и системы. 2018. №2. С. 1-5.
4. Мухачева А. С., Валеева А.Ф., Картак В.М.   Задачи двухмерной упаковки в контейнеры: новые подходы к разработке методов локального поиска оптимума. М: МАИ, 2004. – 192с.
5. Мухачева Э.А., Соломещ Н.И. Задача стохастического линейного раскроя// Оптимизация, 1985. Вып. 36(53) – с.49-55
6. Калянов Г.Н. Моделирование, анализ, реорганизация и автоматизация бизнес- процессов: учебное пособие. – М.: Эксмо, 2006 г. – 309с.
7. Совершенный алгоритм. Алгоритмы для NP-трудных задач / Тим Рафгарден. — Санкт-Петербург: Питер, 2021. – 300 c.
8. Мухачева Э.А., Валеева А.Ф., Мухачева А.С. Методы локального поиска для в дискретных задачах распределения ресурса. – УФА: УГАТУ, 2001. – 103 c.