Експериментальні дослідження методу планування задач у розподілених інформаційних системах з огляду на невизначеність метаданих
DOI:
https://doi.org/10.30837/0135-1710.2025.187.063Ключові слова:
розподілені інформаційні системи, планування задач, орієнтований ациклічний граф, мережі GERT, графові нейронні мережі, навчання з підкріпленням, Bayesian Optimization, рівні сервісу (SLO), керування доступом (RBAC), робастністьАнотація
Статтю присвячено плануванню задач у розподілених інформаційних системах в умовах невизначеності та неповноти метаданих щодо тривалості операцій, обсягів комунікацій та доступності ресурсів. Предметом дослідження є метод планування задач у розподілених інформаційних системах з огляду на невизначеність метаданих. Мета статті – експериментально дослідити метод планування задач у розподілених інформаційних системах з невизначеними й неповними метаданими, який поєднує гібридну графову модель із тримодульним ядром штучного інтелекту й забезпечує підвищення ефективності й робастності планування за умови дотримання SLO та RBAC-обмежень. Завдання дослідження: сформувати гібридне подання робочих процесів на основі поєднання DAG‑структури та GERT-моделі; розробити архітектуру планувальника з долученням графової мережі уваги GAT, агента підкріплювального навчання PPO та модуля Bayesian Optimization; визначити SLO‑орієнтовану функцію винагороди й систему обмежень, зважаючи на RBAC; створити відтворюваний експериментальний стенд із контрольованою ін’єкцією невизначеності; виконати порівняльний, абляційний і робастний аналіз продуктивності запропонованого методу щодо базових алгоритмів FCFS, HEFT, а також варіантів DAG-only й GERT-only. Методи дослідження: гібридне графове моделювання DAG+GERT, графова мережа уваги GAT для формування контекстного подання стану, агент PPO для прийняття рішень щодо розміщення задач, баєсівська оптимізація для налаштування параметрів політики, а також статистичні методи оцінювання. Основні результати. Запропонований метод забезпечує суттєве скорочення медіанного часу завершення задач (makespan) порівняно з HEFT, DAG-only та GERT-only, підвищення частки задач, що виконуються в межах SLO, та зменшення середньозваженого протермінування, демонструє "стиснення хвостів" розподілу затримок і зберігає стабільність результатів у разі мультиплікативного шуму тривалостей ± 20 %, за умови зсувів розподілів і корельованих відхилень параметрів. Водночас накладні витрати планування залишаються в діапазоні мілісекунд і не перевищують допустимі межі для онлайн-сценаріїв.
Посилання
Miao, Z., Shao, C., Li, H., Tang, Z. (2025), "Review of task-scheduling methods for heterogeneous chips", Electronics, Vol. 14, Article 1191. DOI: https://doi.org/10.3390/electronics14061191
Verma, P., Maurya, A. K., Yadav, R. (2023), "A survey on energy-efficient workflow scheduling algorithms in cloud computing", Software: Practice and Experience, Vol. 54, P. 637–682. DOI: https://doi.org/10.1002/spe.3292
Bano, F., Ahmad, F., Shahid, M., Alam, M., Hasan, F., Sajid, M. (2025), "A levelized multiple workflow heterogeneous earliest finish time allocation model for infrastructure as a service cloud environment", Algorithms, Vol. 18, Article 99. DOI: https://doi.org/10.3390/a18020099
NoorianTalouki, R., Hosseini Shirvani, M., Motameni, H. (2022), "A heuristic-based task scheduling algorithm for scientific workflows in heterogeneous cloud computing platforms", Journal of King Saud University – Computer and Information Sciences, Vol. 34, No. 8, Part A, P. 4902–4913. DOI: https://doi.org/10.1016/j.jksuci.2021.05.011
Lee, Y. C., Zomaya, A. Y. (2005), "A productive duplication-based scheduling algorithm for heterogeneous computing systems", High Performance Computing and Communications, Lecture Notes in Computer Science, Vol. 3726, Springer. DOI: https://doi.org/10.1007/11557654_26
Samadi, Y., Zbakh, M., Tadonki, C. (2018), "E-HEFT: enhancement heterogeneous earliest finish time algorithm for task scheduling based on load balancing in cloud computing", Proceedings of the International Conference on High Performance Computing & Simulation (HPCS), P. 601–609. DOI: https://doi.org/10.1109/HPCS.2018.00100
Ahmad, W., Gautam, G., Alam, B. et al. (2024), "An analytical review and performance measures of state-of-art scheduling algorithms in heterogeneous computing environment", Archives of Computational Methods in Engineering, Vol. 31, P. 3091–3113. DOI: https://doi.org/10.1007/s11831-024-10069-8
Tian, W., Zhao, Y., Demeulemeester, E. (2022), "Generating a robust baseline schedule for the robust discrete time/resource trade-off problem under work content uncertainty", Computers & Operations Research, Vol. 143, Article 105795. DOI: https://doi.org/10.1016/j.cor.2022.105795
Lee, Y. C., Zomaya, A. Y., Siegel, H. J. (2010), "Robust task scheduling for volunteer computing systems", Journal of Supercomputing, Vol. 53, P. 163–181. DOI: https://doi.org/10.1007/s11227-009-0326-1
Song, X., Liu, L., Fu, J., Zhang, X., Feng, J., Pei, Q. (2023), "A reinforcement learning-based DAG task scheduling in edge–cloud collaboration systems", Proceedings of IEEE GLOBECOM 2023, P. 1771–1776. DOI: https://doi.org/10.1109/GLOBECOM54140.2023.10436802
Zhang, X. et al. (2026), "PF-MPPO: task-dependent workflow scheduling method based on deep reinforcement learning in dynamic heterogeneous cloud environments", Future Generation Computer Systems, Vol. 177, Article 108236. DOI: https://doi.org/10.1016/j.future.2025.108236
Jayanetti, A., Halgamuge, S., Buyya, R. (2022), "Deep reinforcement learning for energy and time optimized scheduling of precedence-constrained tasks in edge-cloud computing environments", Future Generation Computer Systems, Vol. 137, P. 1–15. DOI: https://doi.org/10.1016/j.future.2022.06.012
Chandrasiri, S., Meedeniya, D. (2025), "Energy-efficient dynamic workflow scheduling in cloud environments using deep learning", Sensors, Vol. 25, Article 1428. DOI: https://doi.org/10.3390/s25051428
Smit, I. G., Zhou, J., Reijnen, R., Wu, Y., Chen, J., Zhang, C., Bukhsh, Z., Zhang, Y., Nuijten, W. (2025), "Graph neural networks for job shop scheduling problems: a survey", Computers & Operations Research, Vol. 176, Article 106914. DOI: https://doi.org/10.1016/j.cor.2024.106914
Nguyen, H. X., Zhu, S., Liu, M. (2022), "A survey on graph neural networks for microservice-based cloud applications", Sensors, Vol. 22, Article 9492. DOI: https://doi.org/10.3390/s22239492
Vesselinova, N., Steinert, R., Perez-Ramirez, D. F., Boman, M. (2020), "Learning combinatorial optimization on graphs: a survey with applications to networking", IEEE Access, Vol. 8, P. 120388–120416. DOI: https://doi.org/10.1109/ACCESS.2020.3004964
Song, W., Chen, X., Li, Q., Cao, Z. (2023), "Flexible job-shop scheduling via graph neural network and deep reinforcement learning", IEEE Transactions on Industrial Informatics, Vol. 19, No. 2, P. 1600–1610. DOI: https://doi.org/10.1109/TII.2022.3189725
Semenov, S., Jian, Y., Jiang, H., Chernykh, O., Binkovska, A. (2025), "Mathematical model of intelligent UAV flight path planning", Advanced Information Systems, Vol. 9, No. 1, P. 49–61. DOI: https://doi.org/10.20998/2522-9052.2025.1.06
Semenova, A., Dubrovskyi, M., Savitskyi, V. (2017), "A GERT model of an algorithm for analyzing security of a web application", Advanced Information Systems, Vol. 1, No. 1, P. 61–64. DOI: https://doi.org/10.20998/2522-9052.2017.1.11
Semenov, S., Yenhalychev, S., Pochebut, M., Sitnikova, O. (2024), "Models of data processing and logical access differentiation considering heterogeneity of entities in information systems", Modern State of Scientific Research and Technologies in Industry, No. 2 (28), P. 143–152. DOI: https://doi.org/10.30837/2522-9818.2024.28.143
Yenhalychev, S., Leunenko, O., Davydov, V. (2025), "Development of an intelligent task scheduling method in heterogeneous distributed information systems", Eastern-European Journal of Enterprise Technologies, Vol. 3, No. 9 (135), P. 6–18. DOI: https://doi.org/10.15587/1729-4061.2025.329263
UA 
EN 
