УДК 004.067.26:004.75:004.942
DOI: 10.36871/2618­-9976.2026.05.015

Авторы

Иван Александрович Синьдюков,
Бакалавр, МИРЭА – Российский технологический университет, Москва, Россия
Арсений Михайлович Бастырев,
Бакалавр, МИРЭА – Российский технологический университет, Москва, Россия

Аннотация

В  работе  проводится  сравнительное  исследование  влияния  программных  накладных  расходов  систем  хранения  данных  Longhorn и OpenEBS на  показатели  латентности  в  среде Kubernetes. Актуальность  исследования  основана на необходимости  минимизации  задержек  ввода­вывода  при  эксплуатации  высоконагруженных  облачных  приложений.  Методология  исследования  основывается  на  серии  нагрузочных  тестов  в  облачной  инфраструктуре  Azure с  применением  специализированного  инструментария  для  измерения  IOPS и  времени отклика на уровне микросекунд. В ходе испытаний  зафиксированы  количественные  расхождения  в  производительности,  обусловленные  архитектурными  различиями рассматриваемых  решений.  Анализ  данных  выявил,  что  модульная архитектура OpenEBS обеспечивает высокую эффективность  обработки  транзакций  по  сравнению  с  Longhorn. Средняя задержка записи в OpenEBS оказалась ниже на 18,7% и объясняется оптимизацией путей прохождения трафика и  эффективным  управлением  репликацией.  В  свою  очередь, Longhorn имеет высокие временные затраты на выполнение  операций  ввода­вывода  из­за  работы  управляющих  компонентов  в  пространстве  пользователя  и  накладных  расходов  на  инкапсуляцию  iSCSI.  Результаты  исследования  подтвердили  прямую зависимость  времени  отклика приложений  от  выбранного  технологического  стека  в  программноопределяемом  хранилище.  Сопоставление  полученных  метрик  с  данными  независимых  исследователей  доказывает  преимущество OpenEBS для  программно­определяемых  хранилищ. Сделан  вывод  о необходимости  учёта программного  оверхеда при проектировании архитектур баз данных и аналитических  конвейеров.  Разработаны  рекомендации  по  выбору  SDS­решений  в  зависимости  от  требований  к  производительности и надёжности в среде K8s.

Ключевые слова

программно­-определяемое хранилище
Kubernetes
задержка ввода­-вывода
расходы
Longhorn
OpenEBS
производительность
облачная инфраструктура

Список литературы

[1] Егоров В.Б. Некоторые вопросы программного определения хранилища данных // Системы и средства информатики. 2021. Т. 31. № 2. С. 70–79.

[2] Изибаиров Ф.Ф. Применение программно­определяемых сетей хранения данных в  бизнесе  /  Тинчуринские  чтения­2022 «Энергетика  и  цифровая  трансформация». 2022. С. 58–61.

[3] Al­Harbi F., Al­Qahtani A. Software­Defined Storage (SDS): Architecture, Benefits, and Leading Platforms. International Journal of Informatics and Data Science Research, 2024, vol. 1, no. 8, pp. 36–49.

[4] Aramide O. Future­Proofing AI Storage Infrastructure: Managing Scale, Performance and Data Diversity. Open Access Research Journal of Science and Technology, 2024, vol. 12, pp. 170–185. DOI: https://doi.org/10.53022/oarjst.2024.12.1.0116.

[5] Cruz D., Cruz T., Pereira V. et al. Designing a High­Fidelity Testbed for 5G­Based Industrial IoT. Proceedings of the 22nd European Conference on Cyber Warfare and Security (ECCWS 2023), 2023, pp. 151–160.

[6] Goli V.R. Enhancing React Native: Architecture and Performance Best Practices for Modern Mobile Development. International Journal on Recent and Innovation Trends in Computing and Communication, 2022, vol. 10, no. 4, pp. 90–93. URL: https://ijritcc.org/index.php/ijritcc/article/view/11506/8831.

[7] Jeong E. Providing Storage Services Using OpenEBS in a Kubernetes Environment. Proceedings of the Korean Institute of Electrical Engineers and Electronics Conference, 2022, pp. 2287–2289. URL: https://www.dbpia.co.kr/Journal/articleDetail?nodeId=NODE11132937.

[8] Jiahao L., Wang F., Zeng L. et al. SDFS: A Software­Defined File System for Multitenant Cloud Storage. Software: Practice and Experience, 2018, vol. 49, pp. 361–379. DOI: https://doi.org/10.1002/spe.2663.

[9] Julien M., Chloé F. Architecting Scalable Persistent Storage for Kubernetes with CSI and Container­Native Storage Solutions. International Journal of Informatics and Data Science Research, 2024, vol. 1, no. 2, pp. 8–21.

[10] Kampadais K., Chazapis A., Bilas A. Optimizing the Longhorn Cloud­Native SoftwareDefined Storage Engine for High Performance. arXiv, 2025. DOI: https://doi.org/ 10.48550/arXiv.2502.14419.

[11] Machireddy J.R. Architecting Intelligent Data Pipelines: Utilizing Cloud­Native RPA and AI for Automated Data Warehousing and Advanced Analytics. African Journal of Artificial Intelligence and Sustainable Development, 2021, vol. 1, no. 2, pp. 127–152.

[12] Rachakatla S.K., Ravichandran P., Machireddy J.R. The Role of Machine Learning in Data Warehousing: Enhancing Data Integration and Query Optimization. Journal of Bioinformatics and Artificial Intelligence, 2021, vol. 1, no. 1, pp. 82–103.

[13] Xu J., Chen Y., Wang Y. et al. LightPool: A NVMe­oF­Based High­Performance and Lightweight Storage Pool Architecture for Cloud­Native Distributed Database. 2024 IEEE International Symposium on High­Performance Computer Architecture (HPCA), 2024, pp. 983–995.

[14] Yang S. Performance and Scalability Report for Longhorn v1.0. The Longhorn Blog, 2020. URL: https://longhorn.io/blog/performance­scalability­report­aug­2020/.