РАЗРАБОТКА ПОВЕДЕНИЯ АГЕНТОВ ДЛЯ AD-HOC ГРИД-ВЫЧИСЛЕНИЙ

В этом исследовании рассматривается проблема эффективности планирования задач и ограниченной отказоустойчивости в специализированных грид-вычислительных средах, где традиционные системы полагаются на централизованное управление и стабильную инфраструктуру. Чтобы преодолеть это, было разработано поведение децентрализованных агентов с использованием платформы Java Agent DEvelopment Framework, позволяющей автономно перераспределять задачи между гетерогенными рабочими агентами. Предлагаемая архитектура Планировщик – Рабочий обеспечивает динамическую координацию и восстановление после сбоев без централизованной оркестровки. Эксперименты на пяти устройствах показывают, что увеличение числа агентов с одного до трех сокращает общее время выполнения в 1,98–3,25 раза, в то время как наилучшая производительность достигается при использовании четырех агентов, что обеспечивает ускорение в 2,99 раза при выполнении 100 задач. Однако использование шести агентов на меньшем количестве устройств снижает эффективность до 2,34 раза из-за нехватки ресурсов и увеличенной коммуникационной нагрузки. Исследование ограничено одной топологией сети и небольшим испытательным стендом. Тем не менее результаты демонстрируют практический потенциал децентрализованного планирования на основе агентов для создания устойчивых распределенных систем машинного обучения.

1. Tanenbaum, A.S., Van Steen, M. Distributed Systems: Principles and Paradigms, 2nd ed. (Pearson Education, 2007).

2. Coulouris, G., Dollimore, J., Kindberg, T., Blair, G. Distributed Systems: Concepts and Design, 5th ed. (Addison-Wesley, 2011).

3. Wooldridge, M. An Introduction to Multi-Agent Systems, 2nd ed. (John Wiley & Sons, 2009).

4. Huhns, M.N., Singh, M.P. (editors) Readings in Agents (Morgan Kaufmann, 1998).

5. Greenwood, D., Bellifemine, F., Caire, G. Developing Multi-Agent Systems with JADE (Wiley, 2007).

6. Kalia, K., Gupta, N. Analysis of Hadoop MapReduce scheduling in heterogeneous environment. Ain Shams Engineering Journal, 12(1), 1101–1110 (2021). https:// doi.org/10.1016/j.asej.2020.06.009

7. Sewal, P., Singh, H. A Critical Analysis of Apache Hadoop and Spark for Big Data Processing. 2021 6th International Conference on Signal Processing, Computing and Control (ISPCC), 308–313 (2021). https:// doi.org/10.1109/ISPCC53510.2021.9609518

8. Raptis, T.P., Passarella, A. A survey on networked data streaming with Apache Kafka. IEEE Access, 11, 85333–85350 (2023). https://doi.org/10.1109/ACCESS.2023.3303810

9. Lee, J.-Y., Kim, M.-H., Shah, S.A.R., Ahn, S.-U., Yoon, H., Noh, S.-Y. Performance Evaluations of Distributed File Systems for Scientific Big Data in FUSE Environment. Electronics, 10(12), 1471 (2021). https://doi.org/10.3390/electronics10121471

10. Ma, C., Chi, Y. Evaluation test and improvement of load balancing algorithms of Nginx. IEEE Access, 10, 14311–14324 (2022). https://doi.org/10.1109/ACCESS.2022.3146422

11. Singh, N., Hamid, Y., Juneja, S., et al. Load balancing and service discovery using Docker Swarm for microservice based big data applications. Journal of Cloud Computing, 12, 4 (2023). https://doi.org/10.1186/s13677-022-00358-7

12. Burns, B., Beda, J., Hightower, K., Evenson, L. Kubernetes: Up and Running: Dive into the Future of Infrastructure (O’Reilly Media, 2022).

13. Pauloski, J.G., Rydzy, K., Hayot-Sasson, V., Foster, I., Chard, K. Accelerating Python applications with Dask and ProxyStore. arXiv preprint arXiv:2410.12092 (2024). https://doi.org/10.48550/arXiv.2410.12092

14. Ajitha, S. Methodology for Load Balancing in Multi-Agent System Using SPE Approach. Security Issues and Privacy Concerns in Industry 4.0 Applications, 207–227 (2021). https://doi.org/10.1002/9781119776529.ch11

15. Iturria-Rivera, P.E., Erol-Kantarci, M. Competitive Multi-Agent Load Balancing with Adaptive Policies in Wireless Networks. 2022 IEEE 19th Annual Consumer Communications & Networking Conference (CCNC), 796–801 (2022). https://doi.org/10.1109/CCNC49033.2022.9700667

16. Li, Z., Yu, J., Liu, X., Peng, L. Load Balancing for Task Scheduling Based on Multi-Agent Reinforcement Learning in Cloud-Edge-End Collaborative Environments. Proceedings of the 2024 8th International Conference on Machine Learning and Soft Computing (ICMLSC ’24), 94–100 (2024). https:// doi.org/10.1145/3647750.3647765

17. Rahmika, A.R., Tahir, Z., Paundu, A.W., Zainuddin, Z. Web server load balancing mechanism with least connection algorithm and multi-agent system. CommIT (Communication and Information Technology) Journal, 17(2), 245–258 (2023). https://doi.org/10.21512/commit.v17i2.8872

18. Binyamin, S.S., Ben Slama, S. Multi-Agent Systems for Resource Allocation and Scheduling in a Smart Grid. Sensors, 22(21), 8099 (2022). https://doi.org/10.3390/s22218099

19. Chatterjee, B. Distributed Machine Learning. Proceedings of the 25th International Conference on Distributed Computing and Networking (ICDCN ’24), 4–7 (2024). https://doi.org/10.1145/3631461.3632516

20. Dai, F., Hossain, M.A., Wang, Y. State of the Art in Parallel and Distributed Systems: Emerging Trends and Challenges. Electronics, 14(4), 677 (2025). https://doi.org/10.3390/electronics14040677