УДК 004
DOI: 10.36871/ek.up.p.r.2026.05.09.028

Авторы

Милана Рамзановна Тасуева,
Дени Магомедович Исламов,
Грозненский государственный нефтяной технический университет имени М.Д. Миллионщикова, Грозный, Россия

Аннотация

В статье исследуются современные адаптивные методы оптимизации распределения вычислительных ресурсов в облачных информационных системах, функционирующих в условиях высокой динамичности, неопределённости и многокритериальности требований к качеству обслуживания. Актуальность исследования обусловлена экспоненциальным ростом объёмов данных и числа пользователей облачных сервисов, а также гетерогенностью вычислительных узлов и рабочих нагрузок, что делает традиционные статические методы планирования ресурсов недостаточно эффективными. Цель работы – систематизация современных адаптивных подходов к распределению ресурсов, анализ их сильных и слабых сторон, а также выявление перспективных направлений развития. Методологическая база исследования включает анализ литературных источников по методам машинного обучения, обучения с подкреплением, роевого интеллекта и прогнозирования временных рядов. В статье рассматриваются три основных класса адаптивных методов: методы, основанные на обучении с подкреплением, методы роевого интеллекта и методы прогнозирования нагрузки на основе временных рядов. На основе проведённого анализа формулируются рекомендации по выбору метода в зависимости от характеристик облачной системы.

Ключевые слова

облачные вычисления, распределение ресурсов, адаптивные методы, обучение с подкреплением, роевой интеллект, прогнозирование нагрузки

Список литературы

  1. Глушак Е.В. Облачные и туманные вычисления: архитектура, моделирование, применение : монография. – Москва ; Вологда : Инфра-Инженерия, 2025. – 180 с. – ISBN 978-5-9729-2506-3.
  2. Зажогин С.Д., Вишняков А.С., Козлова Ю.Д. Применение LSTM нейронных сетей для прогнозирования нагрузки и управления ресурсами в AWS // ESSA. – 2024. – Т. 1, № 105. – DOI: 10.31618/ESSA.2782-1994.2024.1.105.504.
  3. Каляев И.А., Каляев А.И., Коровин Я.С. Алгоритм мультиагентного диспетчирования ресурсов в гетерогенной облачной среде // Вычислительные технологии. – 2016. – Т. 21, № 5. – С. 38–53.
  4. Каляев И.А., Каляев А.И. Метод и алгоритмы адаптивного мультиагентного диспетчирования ресурсов в гетерогенных распределенных вычислительных средах // Автоматика и телемеханика. – 2022. – № 8. – С. 100–122. – DOI: 10.31857/S0005231022080062.
  5. Смородников Г.В. Средства прогнозирования и их использование для повышения эффективности распределения ресурсов для облачных вычислений : магистерская диссертация / Санкт-Петербургский политехнический университет Петра Великого. – Санкт-Петербург, 2025. – DOI: 10.18720/SPBPU/3/2025/vr/ vr25-3830
  6. Спицын А.А., Мутин Д.И. Распределение ресурсов и планирование заданий в облачной среде на основе алгоритма оптимизации роя частиц и R-фактора // Моделирование, оптимизация и информационные технологии. – 2020. – Т. 8, № 4.
  7. Толкачёв А.В. Статистический подход к управлению ресурсами облачных вычислений // Компьютерные системы и сети : материалы 54-й научной конференции. – Минск : БГУИР, 2018. – С. 113–114.
  8. Хантимиров Р.И., Микрюков А.А. Модель распределения ресурсов в процессе функционирования облачной вычислительной среды // Нейрокомпьютеры: разработка, применение. – 2014. – № 8. – С. 47–54.
  9. Хантимиров Р.И. Прогнозирование нагрузки в облачной вычислительной среде с использованием нейросетей Элмана, обучаемых системой искусственного иммунитета // Нейрокомпьютеры: разработка, применение. – 2015. – № 3. – С. 59–64.
  10. Четвертухин В.Р. Прогнозирование нагрузки на микросервисную систему с использованием метода ARIMA и байесовских сетей // Моделирование, оптимизация и информационные технологии. – 2026. – Т. 14, № 5.