Возможности по улучшению механизма выявления дисбалансов загрузки в подсистеме балансировки TriadBalance
Автор: Кирилловых Сергей Александрович
Журнал: Вестник Пермского университета. Серия: Математика. Механика. Информатика @vestnik-psu-mmi
Рубрика: Информатика. Информационные системы
Статья в выпуске: 1 (5), 2011 года.
Бесплатный доступ
При проведении имитационного эксперимента особую важность приобретает скорость вычислений и эффективность загрузки вычислительных мощностей, потому как в отличие от реально действующих систем ресурсы виртуальны и скорость доступа к ним ничтожно мала. В системе имитационного моделирования Triad.Net за эффективную загрузку вычислительных узлов и соединительных каналов отвечает подсистема балансировки TriadBalance и ее ключевое звено - агент анализа. Выбор схемы работы агента анализа приведен в [1, 2]. В данной статье предлагается ряд подходов к улучшению работы агента анализа, а также описываются результаты пробного внедрения этих подходов.
Балансировка нагрузки, генетический алгоритм, нейронная сеть
Короткий адрес: https://sciup.org/14729699
IDR: 14729699
Список литературы Возможности по улучшению механизма выявления дисбалансов загрузки в подсистеме балансировки TriadBalance
- Кирилловых С.А., Юрков К.А. Нейросетевой подход к реализации агента анализа подсистемы балансировки TriadBalance//Вестник Перм. ун-та. Пермь, 2010. № 1(1). С. 98-105.
- Кирилловых С.А. Нейросетевой подход для выявления дисбалансов в распределенной вычислительной системе//Современные проблемы математики и ее прикладные аспекты: сб. ст./Перм. ун-т, Пермь, 2010. С.64-69.
- Замятина Е.Б., Стаценко Н.А., Юрков К.Б. Мультиагентная балансировка с использованием агентов, обученных на нейронных сетях//Математика программных систем: межвуз. сб. науч. тр./Перм. ун-т. Пермь, 2008. С.21-27.
- Замятина Е.Б., Ефимов А.Ю., Козлов А.А. Архитектура подсистемы мультиагентной балансировки в Triad.Net//Математика программных систем: межвуз. сб. науч. тр./Перм. ун-т. Пермь, 2008. С.4-13.
- Миков А.И., Замятина Е.Б., Козлов А.А. Оптимизация параллельных вычислений с применением мультиагентной балансировки//Параллельные вычислительные технологии (ПаВТ'2009): тр. междунар. науч. конф./Челябинск: Изд-во ЮУрГУ, 2009. С.599-604.
- Садыхов Р.К., Отвагин А.В. Оптимизация параллельных вычислений на базе многоагентной архитектуры//Математика программных систем: межвуз. сб. науч. тр./Перм. ун-т. Пермь, 2008. С.42-59.
- Круглов В.В., Борисов В.В. Искусственные нейронные сети. Теория и практика. М., 2002. 382 с.
- Осовский С. Нейронные сети для обработки информации. М.: Финансы и статистика, 2002. 344 с.
- Рутковская Д., Пилинский М., Рутковский Л. Нейронные сети, генетические алгоритмы и нечеткие системы/пер. с польск. И.Д.Рудинского. М., 2006. 452 с.
- Breiman, L. Bagging predictors. Machine Learning, 1996. 24(2). P.123-140.
- Kuncheva L.I., Skurichina M. An experimental study on diversity for bagging and boosting with linear classifiers: [Электронный документ]. (http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.18.3377) Проверено 17.03.2011.
- Воронцов К.В. Лекции по искусственным нейронным сетям: [Электронный документ]. (http://www.machinelearning.ru/wiki/images/c/cc/Voron-ML-NeuralNets.pdf) Проверено 17.03.2011.
- Федяев О.И., Соломка Ю.И. Применение генетических алгоритмов для обучения нейронных сетей: [Электронный документ]. (http://www.uran.donetsk.ua/~masters/2004/fvti/solomka/library/article2.htm) Проверено 17.03.2011.
- Lazarevic A. Feature bagging for outlier detection: [Электронный документ]. (http://citeseerx.ist.psu.edu/viewdoc/summary?doi=10.1.1.80.1204 http://doi.acm.org/10.1145/1081870.108189>) Проверено 17.03.2011.
