AD-HOC ГРИД-ЕСЕПТЕУЛЕРІ ҮШІН АГЕНТТЕРДІҢ МІНЕЗ-ҚҰЛЫҒЫН ӘЗІРЛЕУ

Бұл зерттеу дәстүрлі жүйелер орталықтандырылған басқаруға және тұрақты инфрақұрылымға сүйенетін ad-hoc грид-есептеу орталарындағы тапсырмаларды тиімсіз жоспарлау және ақауға төзімділіктің шектеулілігі мәселесін қарастырады. Осы мәселені еңсеру үшін Java Agent DEvelopment Framework платформасын пайдалана отырып, гетерогенді Worker агенттері арасында тапсырмаларды автономды түрде қайта бөлуге мүмкіндік беретін децентрализденген агент мінез-құлқы әзірленді. Ұсынылған Жоспарлаушы– Жұмысшы архитектурасы орталықтандырылған оркестрациясыз динамикалық үйлестіруді және істен шығулардан кейін қалпына келуді қамтамасыз етеді. Бес құрылғыда жүргізілген тәжірибелер агенттер санын бірден үшке дейін арттыру жалпы орындалу уақытын 1,98–3,25 есеге қысқартатынын көрсетті, ал ең жоғары өнімділік төрт агент қолданылғанда байқалып, 100 тапсырма үшін 2,99 есе жылдамдату береді. Дегенмен, құрылғылар саны аз болған жағдайда алты агентті пайдалану ресурстар үшін бәсекелестіктің күшеюі мен байланыс шығындарының артуына байланысты тиімділікті 2,34 есе төмендетеді. Зерттеу бір ғана желілік топологиямен және шағын көлемді сынақ алаңымен шектеледі. Соған қарамастан, нәтижелер агенттерге негізделген децентрализденген жоспарлаудың ақауға төзімді үлестірілген машиналық оқыту жүйелерін құрудағы практикалық әлеуетін дәлелдейді.

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