Материал: Оптимизация и моделирование в автоматизированных системах

(ANFIS) и нелинейной авторегрессионной сети с экзогенными входами (NARX) [1]. Эти методы используются для построения моделей потребления ресурсов сервера, например, оперативной памяти, процессорного времени и загрузки диска.

Существует две основные характеристики сервера, за которыми необходимо следить при использовании виртуальных машин в центрах обработки данных (ЦОД), – это оперативная память и загрузка процессора [2]. Возможность прогнозировать нехватку данных ресурсов позволит автоматически проактивно выделять их для использования ВМ, разносить наиболее ресурсоемкие ВМ по разным серверам на основании данных мониторинга. Задачу оптимального динамического размещения ВМ можно разбить на три последовательных этапа, представленных на диаграмме IDEF0 (рис. 1):

–сбор статистики, на основании которой будет производиться прогнозирование нагрузки в дискретные моменты времени;

–прогнозирование оптимального размещения ВМ;

–размещение ВМ по серверам, на основе прогноза нагрузки на серверы. При проектировании архитектуры системы было выделено три взаимо-

связанных модуля. Модуль сбора статистики использования ресурсов взаимодействует с базой данных, записывая в нее рассчитанные значения. Следующий модуль анализа и прогнозирования оптимального распределения с помощью запросов производит выборку необходимых данных и на их основе прогнозирует будущее поведение нагрузки. Последний модуль системы, «контроллер распределения», получив данные об оптимальном распределении виртуальных машин, размещает виртуальные машина с учетом этих данных (рис. 2).

Рис. 1. Диаграмма IDEF0 автоматизированной системы размещения ВМ

25

Для сбора статистики необходимо разработать модуль, который c определенным интервалом времени опрашивает все запущенные в данный момент времени виртуальные машины и с помощью API системы виртуализации получает данные о количестве выделенной памяти сервером каждой запущенной виртуальной машине. Реализация такого модуля будет отличаться в каждой системе виртуализации.

Сбор статистики использованияресурсов

Анализ и прогнозирование оптимального

распределения

Контроллер

распределения

Рис. 2. Архитектура системы оптимизации размещения виртуальных машин

Суммируя показатели выделенной виртуальным машинам памяти, можно получить значения потребляемых ресурсов на определенном сервере (рис. 3), опираясь на долгосрочные тренды которых можно прогнозировать будущую нагрузку.

Рис. 3. Разбиение статистических данных на классы

На следующем этапе выполняется анализ и прогнозирование будущей нагрузки на сервер с помощью наивного байесовского классификатора [3] или нейронной сети [4].

26

Задача последующего размещения виртуальных машин реализуется с помощью специального контроллера, который на базе результатов модуля анализа и прогнозирования осуществляет запуск виртуальных машин на аппаратных серверах таким образом, чтобы оптимизировать их размещение для максимального использования ресурсов запущенных аппаратных серверов и выключения неработающих серверов.

Литература

1.Метелкин, Я.В. Анализ подходов прогнозирования нагрузки в виртуализованных средах / Я.В. Метелкин, К.А. Маковий // Оптимизация и моделирование в автоматизированных системах. 2018. С. 112-115.

2.Server hardware resources optimization for virtual desktop infrastructure implementation / K. A. Makoviy [et al.] // CEUR Workshop Proceedings. 2017.

№1904. С. 178-183.

3.Маковий, К.А. Подход к оптимизации серверных ресурсов с использованием прогнозирования нагрузки / К.А. Маковий, Ю.В. Хицкова, Я.В. Метелкин

//Информационные технологии в строительных, социальных и экономических системах. 2018. № 4 (14). С. 75-81.

4.Mittal S. A survey of techniques for improving energy efficiency in embedded computing systems //arXiv preprint arXiv:1401.0765. – 2014.

ФГБОУ ВО «Воронежский государственный технический университет», Россия

УДК 51-7

Е.А. Махнёва

ОПТИМИЗАЦИЯ УПРАВЛЕНИЯ РАСПРЕДЕЛЕННЫМ СКЛАДОМ

С развитием бизнеса появляется необходимость точного учета материальных ресурсов, кроме того для бесперебойной работы предприятия требуется информация о плановых потребностях материалов и комплектующих, а так же оптимизация бизнес потоков. Для небольшого предприятия имеет значение как недостаток материалов (невозможность выполнения текущих заказов) так и затоваривание складов (замораживание денежных средств на длительный срок). Иными словами, одной из задач каждого предприятия является сокращение издержек и повышение эффективности работы склада [1].

В качестве базы для построения модели было выбрано предприятие, которое оказывает услуги по подключению физических и юридических лиц к компьютерным сетям. При этом в этой организации работают несколько специалистов (монтажников), которым распределяют заявки (рис. 1). Предприятие имеет филиалы и склады в нескольких регионах.

27

У предприятия есть цель – выработать программу поступления товара на склад, обеспечивающая минимум совокупных затрат на формирование запаса [2].

Издержки на формирование товарного запаса складываются из расходов на: доставку и формирование заказа, закуп товара, хранение данного товара.

Требуется найти оптимальный план поставок с учетом изменяющихся заявок. В качестве целевой функции может выступать минимум совокупных затрат.

Рис. 1. Пример распределенного склада

Динамическая модель [3] для одного склада и одного типа товара (рис. 2) имеет вид

где k – номер дня (сутки), Pk – поступления материалов на склад, решение о величине объема поступлений принимается ЛПР (лицо принимающее решение), Rk – расход материалов, является случайной величиной, Xk – остаток запаса на складе.

Рис. 2. Схема модели для одного склада

28

В зависимости от структуры склада модель (1) можно обобщить по нескольким направлениям – разное количество складов (3), разное количество монтажников (2), разное количество типов хранимого товара (рис. 2).

Рис. 3. Схема модели нескольких складов

Для автоматизации работы были смоделированы бизнес-процессы предприятия, с помощью инструмента BPMN 2.0. Так же была разработана программа и выполнено моделирование работы нескольких складов (3). Для случая одного центрального склада и двух региональных проведена оптимизация модели, с целью минимизации случаев недостатка материала и затоваривания склада. Найдена оптимальная нижняя граница для закупки отвара на склад

(рис. 4).

Витоге исследований разработана бизнес модель предприятия, а так же модель пополнения товарного запаса с учетом заданных ограничений. Проведены исследования на модельных и реальных данных (см. таблицу).

Вкачестве основной модели случайного расхода была выбрана смесь двух случайных величин (Расход 1 - частые, но мелкие объёмы и Расход 2 - крупные, но редкие). Статистические характеристики этих величин следующие: вероятность большого расхода «Регионального склада 1» и «Регионального склада 2» представлена в таблице.

29