УДК 004.78
DOI: 10.36871/2618­-9976.2026.04.008

Авторы

Полина Данииловна Бражина,
Бакалавр кафедры системного анализа и обработки информации, Кубанский Государственный Аграрный Университет имени И.Т. Трубилина, Краснодар, Россия
Егор Андреевич Комаренко,
Бакалавр кафедры системного анализа и обработки информации, Кубанский Государственный Аграрный Университет имени И.Т. Трубилина, Краснодар, Россия
Дмитрий Александрович Крепышев,
Доцент кафедры компьютерных технологий и систем, Кубанский Государственный Аграрный Университет имени И.Т. Трубилина, Краснодар, Россия

Аннотация

Сегодня  облачные  вычисления  выступают  доминирующей  моделью  вычислений,  устраняя  жёсткие  ограничения  традиционных  схем  выделения  ресурсов  и  предоставляя  гибкий, разнородный  пул  мощностей  под  разные  пользовательские  задачи. Однако  частое  создание и  удаление  виртуальных машин (ВМ)  приводит  к  фрагментации  ресурсов  и  их  нерациональному использованию в облачных центрах обработки данных.  Технология  консолидации  виртуальных  машин  (VMC) эффективно  повышает  уровень  использования  ресурсов  за  счёт  интеллектуальной  миграции  виртуальных  машин  на  меньшее  количество  физических  хостов.  Но  в  большинстве  существующих  подходов  отсутствуют  рациональные  механизмы обнаружения хостов и эффективные стратегии миграции,  которые  часто  пренебрегают  гарантиями  качества  обслуживания (QoS)  при  оптимизации  энергопотребления,  что  может  легко  привести  к  нарушению  соглашения  об  уровне обслуживания  (SLAV).  Для  решения  этих  проблем  в  данной статье  предлагается  энергоэффективный  метод  консолидации  виртуальных  машин  (EVMC).  Сначала  строится  модель коэффициента  совместного  размещения  для  определения  наименьшего количества подходящих виртуальных машин на  хостах.  Затем  с  помощью  агента DQN,  способного  принимать  решения с учётом окружающей среды, реализуются стратегии  динамической  миграции  виртуальных  машин.  Экспериментальные  результаты  показывают,  что  EVMC превосходит  существующие  передовые  подходы  с  точки  зрения  энергопотребления и скорости SLAV, что свидетельствует о его эффективности и потенциале для практического применения.

Ключевые слова

облачные вычисления
облачные центры обработки данных
консолидация виртуальных машин
глубокое обучение с подкреплением
глубокая Q-­сеть

Список литературы

[1] Алифиров А.М., Лещенко К.Д., Савинская Д.Н. Виды  рисков  и  методы  защиты  при  использовании облачных  технологий  //  Студенческий:  электрон.  научн.  журн. 2024. № 39(293). URL: https://sibac.info/journal/student/293/351152.

[2] Савинская Д.Н., Абян В.М., Зурнаджиди С., Логинова В.О. Защита  экономических  данных: кибербезопасность в условиях современных угроз // Политематический  сетевой  электронный  научный  журнал  Кубанского  государственного  аграрного  университета  (Научный  журнал  КубГАУ).  Краснодар:  КубГАУ, 2025.  №  04(208). С. 121–135. IDA [article ID]: 2082504013.

[3] Крепышев Д.А., Лытнев Н.Н., Косников М.С., Бурусова В.Е. Роль квантовых вычислений  в  экономическом анализе // Политематический  сетевой  электронный  научный  журнал  Кубанского  государственного  аграрного  университета  (Научный  журнал  КубГАУ).  Краснодар:  КубГАУ, 2023.  №  10(194).  С. 59–73. IDA [article ID]: 1942310006. Режим доступа: http://ej.kubagro.ru/2023/10/pdf/06.pdf.

[4] Чжан П., Чжан Ю., Кумар Н., Сюй Ц.Х. Алгоритм глубокого обучения с подкреплением  для  управления  ресурсами  промышленного  Интернета  вещей  с  учётом  задержек. IEEE Internet Things J. 2022, 10, 7153–7163. URL: https://ieeexplore.ieee.org/document/ 9984843.

[5] Гудков А., Попов П., Романов С. BalCon – алгоритм балансировки ресурсов для консолидации  виртуальных  машин. Future Gener. Comput. Syst. 2023, 147, 265–274. URL: https://doi.org/10.1016/j.future.2023.05.001.

[6] Ради М., Алван А.А., Гульзар Ю. Стратегия консолидации виртуальных машин на основе  генетических алгоритмов с эффективным энергопотреблением в облачной среде. IEEE Access 2023, 11, 48022–48032. URL: https://ieeexplore.ieee.org/document/ 10124190.

[7] Ван Дж., Гу Х., Ю Дж., Сонг Ю., Хэ С., Сонг Ю. Исследование стратегии консолидации  виртуальных машин на основе комбинированного прогнозирования и учета энергопотребления на платформе облачных вычислений. J. Cloud Comput. 2022, 11, 50. URL: https://link.springer.com/article/10.1186/s13677­022­00309­2.

[8] Ли Ц., Ю С., Ю Л., Го С., Чанг В. Энергоэффективный метод консолидации виртуальных машин с учётом качества. Future Gener. Comput. Syst. 2020, 102, 789–809. URL: https://linkinghub.elsevier.com/retrieve/pii/S0167739X18324713.

[9] Пургебле Б., Агаи Анвиг А., Рамтин А.Р., Мохаммади Б. Важность метаэвристических  алгоритмов,  вдохновлённых  природой,  для  решения  проблемы  консолидации  виртуальных машин  в  облачных  средах. Clust. Comput. 2021, 24, 2673–2696. URL: https://link.springer.com/article/10.1007/s10586­021­03294­4.

[10] Саяднавард М.Х., Хагигат А.Т., Рахмани А.М. Многоцелевой подход к энергоэффективной и надёжной динамической консолидации виртуальных машин в облачных  центрах  обработки данных. Eng. Sci. Technol. Int. J. 2022, 26, 100995. URL: https:// linkinghub.elsevier.com/retrieve/pii/S221509862100104X.

[11] Вэй П., Цзэн Ю., Янь Б., Чжоу Дж., Никугофтар Э. VMP­A3C: размещение виртуальных машин  в  облачных  вычислениях на  основе асинхронного алгоритма акторакритика с преимуществом. J. King Saud Univ. Comput. Inf. Sci. 2023, 35, 101549. URL: https://www.sciencedirect.com/science/article/pii/S1319157823000952.

[12] Саксена Д., Гупта И., Кумар Дж., Сингх А.К., Вен Х. Безопасная и многоцелевая система  размещения виртуальных машин в облачных центрах обработки данных. IEEE Syst. J. 2021, 16, 3163–3174. URL: https://ieeexplore.ieee.org/document/9491139.