Микро-потоки работ: сочетание потоков работ и потоковой обработки данных для поддержки цифровых двойников технологических процессов

Микро-потоки работ: сочетание потоков работ и потоковой обработки данных для поддержки цифровых двойников технологических процессов

Автор: Алаасам Амир Басим Абдуламир, Радченко Глеб Игоревич, Черных Андрей Николаевич

Журнал: Вестник Южно-Уральского государственного университета. Серия: Вычислительная математика и информатика @vestnik-susu-cmi

Статья в выпуске: 4 т.8, 2019 года.

Бесплатный доступ

В последнее время наблюдается взрывной рост в развитии концепции цифровой индустрии. Одним из важнейших элементов этой концепции является применение методов математического моделирования и интеллектуального анализа данных для создания моделей производственных процессов и конечной продукции, базирующихся на обработке сигналов, поступающих с интеллектуальных сенсоров. Совокупность таких моделей, представляющих собой виртуальное представление промышленных процессов, систем и оборудования называют цифровыми двойниками. Цифровые двойники используют данные, получаемые от сенсоров, установленных на производственных линиях или на базе конечной продукции, для прогнозирования сбоев в работе оборудования, оптимизации качества продукции и сокращения негативного воздействия производственных процессов на окружающую среду. Комплексы моделей, лежащие в основе цифровых двойников, могут быть описаны в виде вычислительных потоков работ (Workflow), состоящих из набора вычислительных сервисов, каждый из которых представляет собой модель одного из этапов технологического процесса. Для организации гибкой поддержки облачных вычислений для выполнения цифровых двойников, мы предлагаем концепцию микро-потоков работ (Micro-Workflows), которая сочетает в себе мощность концепции научных потоков работ (Scientific Workflows), гибкость контейнерных технологий и устойчивость подхода потоковой обработки данных (Stream Processing) в распределенных вычислительных системах.

Еще

Цифровые двойники, микросервисы, контейнеризация, микро-потоки работ

Короткий адрес: https://sciup.org/147233204

IDR: 147233204   |   DOI: 10.14529/cmse190407

Список литературы Микро-потоки работ: сочетание потоков работ и потоковой обработки данных для поддержки цифровых двойников технологических процессов

  • Al-Jarrah O.Y. et al. Efficient Machine Learning for Big Data: A Review // Big Data Research. 2015. Vol. 2, no. 3. P. 87-93. DOI: 10.1016/j.bdr.2015.04.001
  • Alaasam A.B.A. et al. Scientific Micro-Workflows: Where Event-Driven Approach Meets Workflows to Support Digital Twins // Proceedings of the international conference Russian Supercomputing Days, RuSCDays'18 (Moscow, Russia, September, 24-25, 2018). MSU. 2018. Vol. 1. P. 489-495.
  • Altintas I. et al. Kepler: an extensible system for design and execution of scientific workflows // Proceedings of the 16th International Conference on Scientific and Statistical Database Management, 2004. Vol. I. P. 423-424. DOI: 10.1109/SSDM.2004.1311241
  • Boettiger C. An introduction to Docker for reproducible research // ACM SIGOPS Operating Systems Review. 2015. Vol. 49, no. 1. P. 71-79. DOI: 10.1145/2723872.2723882
  • Borodulin K. et al. Towards Digital Twins Cloud Platform: Microservices and Computational Workflows to Rule a Smart Factory // Proceedings of the 10th International Conference on Utility and Cloud Computing, UCC '17 (Austin, Texas, USA, December, 5-8, 2017). P. 209-210. DOI: 10.1145/3147213.3149234
  • Bryner M. Smart manufacturing: The next revolution // Chemical Engineering Progress. 2012. Vol. 108, no. 10. P. 4-12.
  • Carvalho O., Roloff E., Navaux P.O.A. A Distributed Stream Processing based Architecture for IoT Smart Grids Monitoring // Companion Proceedings of the 10th International Conference on Utility and Cloud Computing, 2017. New York, NY, USA. ACM Press, 2017. Р. 9-14.
  • DOI: 10.1145/3147234.3148105
  • Davis J. et al. Smart manufacturing, manufacturing intelligence and demand-dynamic performance // Computers and Chemical Engineering. 2012. Vol. 47. P. 145-156.
  • DOI: 10.1016/j.compchemeng.2012.06.037
  • Deelman E. et al. Pegasus, a workflow management system for science automation // Future Generation Computer Systems. 2015. Vol. 46. P. 17-35.
  • DOI: 10.1016/j.future.2014.10.008
  • Fahringer T. et al. ASKALON: a Grid application development and computing environment // The 6th IEEE/ACM International Workshop on Grid Computing, 2005. IEEE, 2005. Р. 10.
  • DOI: 10.1109/GRID.2005.1542733
  • Filgueira R. et al. IoT-Hub: New IoT data-platform for Virtual Research Environments // 10th International Workshop on Science Gateways, IWSG 2018, 2018. Р. 13-15.
  • Filguiera R. et al. Dispel4py: A Python framework for data-intensive scientific computing // International Journal of High Performance Computing Applications. 2017. Vol. 31, no. 4. P. 316-334.
  • DOI: 10.1177/1094342016649766
  • Foster I.T., Gannon D.B. Cloud Computing for Science and Engineering / Ed. by I.T. Foster, D.B. Gannon. The MIT Press, 2017. 392 p.
  • Glaessgen E., Stargel D. The Digital Twin Paradigm for Future NASA and U.S. Air Force Vehicles // 53rd AIAA/ASME/ASCE/AHS/ASC Structures, Structural Dynamics and Materials Conference (Reston, Virigina, 2012). American Institute of Aeronautics and Astronautics, 2012. Р. 1-14.
  • DOI: 10.2514/6.2012-1818
  • Hirales-Carbajal A. et al. A Grid simulation framework to study advance scheduling strategies for complex workflow applications // 2010 IEEE International Symposium on Parallel & Distributed Processing, Workshops and Phd Forum, IPDPSW, 2010. IEEE, 2010. Р. 1-8.
  • DOI: 10.1109/IPDPSW.2010.5470918
  • Hirales-Carbajal A. et al. Multiple Workflow Scheduling Strategies with User Run Time Estimates on a Grid // Journal of Grid Computing. 2012. Vol. 10, no. 2. P. 325-346.
  • DOI: 10.1007/s10723-012-9215-6
  • Huber N. et al. Evaluating and Modeling Virtualization Performance Overhead for Cloud Environments // Proceedings of the 1st International Conference on Cloud Computing and Services Science (Noordwijkerhout, The Netherlands, May, 7-9, 2011). SciTePress - Science and and Technology Publications, 2011. Р. 563-573.
  • Korambath P. et al. A smart manufacturing use case: Furnace temperature balancing in steam methane reforming process via kepler workflows // Procedia Computer Science. 2016. Vol. 80. P. 680-689.
  • DOI: 10.1016/j.procs.2016.05.357
  • Kostenetskiy P.S., Safonov A.Y. SUSU Supercomputer Resources // Proceedings of the 10th Annual International Scientific Conference on Parallel Computing Technologies, PCT 2016 (Arkhangelsk, Russia, March, 29-31, 2016). CEUR Workshop Proceedings, 2016. Р. 561-573.
  • Lee J., Bagheri B., Kao H.-A. A Cyber-Physical Systems architecture for Industry 4.0based manufacturing systems // Manufacturing Letters. 2015. Vol. 3. P. 18-23.
  • DOI: 10.1016/j.mfglet.2014.12.001
  • Lewis J., Fowler M. Microservices. 2014. URL: http://martinfowler.com/articles/ microservices.html (дата обращения: 28.01.2016).
  • Li S., Xu L. Da, Zhao S. The internet of things: a survey // Information Systems Frontiers. 2015. Vol. 17, no. 2. P. 243-259.
  • DOI: 10.1007/s10796-014-9492-7
  • Perera C. et al. Sensing as a service model for smart cities supported by Internet of Things // Transactions on Emerging Telecommunications Technologies. 2014. Vol. 25, no. 1. P. 81-93.
  • DOI: 10.1002/ett.2704
  • Radchenko G., Alaasam A., Tchernykh A. Micro-Workflows: Kafka and Kepler Fusion to Support Digital Twins of Industrial Processes // 2018 IEEE/ACM International Conference on Utility and Cloud Computing Companion, UCC Companion, 2018. Р. 83- 88.
  • DOI: 10.1109/UCC-Companion.2018.00039
  • Radchenko G., Hudyakova E. A service-oriented approach of integration of computer-aided engineering systems in distributed computing environments // UNICORE Summit 2012, Proceedings, 2012. Р. 57-66.
  • Rahman M. et al. Adaptive workflow scheduling for dynamic grid and cloud computing environment // Concurrency Computation Practice and Experience. 2013. Р. 1816-1842.
  • DOI: 10.1002/cpe.3003
  • Sinha N., Pujitha K.E., Alex J.S.R. Xively based sensing and monitoring system for IoT // 2015 International Conference on Computer Communication and Informatics, ICCCI, 2015. IEEE, 2015. Р. 1-6.
  • DOI: 10.1109/ICCCI.2015.7218144
  • Soldatos J. et al. OpenIoT: Open Source Internet-of-Things in the Cloud // Lecture Notes in Computer Science. 2015. Vol. 9001. P. 13-25.
  • DOI: 10.1007/978-3-319-16546-2_3
  • Tao F. et al. Digital twin-driven product design, manufacturing and service with big data // International Journal of Advanced Manufacturing Technology. 2017. Vol. 94, no. 9-12, P. 3563-3576.
  • DOI: 10.1007/s00170-017-0233-1
  • Taylor I. et al. Workflows for e-Science. Springer London, 2007. 523 p.
  • Tuegel E.J. et al. Reengineering Aircraft Structural Life Prediction Using a Digital Twin // International Journal of Aerospace Engineering. 2011. Vol. 2011. P. 1-14.
  • DOI: 10.1155/2011/154798
  • Xavier M.G. et al. Performance Evaluation of Container-Based Virtualization for High Performance Computing Environments // 2013 21st Euromicro International Conference on Parallel, Distributed, and Network-Based Processing (Belfast, UK, February, 27- March, 1, 2013). IEEE, 2013. Р. 233-240.
  • DOI: 10.1109/PDP.2013.41
  • Савченко Д.И., Радченко Г.И. Методология тестирования микросервисных облачных приложений // Суперкомпьютерные дни в России: Труды международной конференции. 2015. P. 245-256.
Еще
Статья научная
SciUp 2024 © 2024 ©