Программные продукты и системы

Повсеместное использование высокопроизводительных и доступных по стоимости персональных компьютеров, разработка и массовое практическое применение сетевых информационных технологий различного уровня и назначения позволяют говорить о распределенных компьютерных сетях как об эффективной и значительно более дешевой альтернативе многопроцессорным и многомашинным вычислительным системам в качестве аппаратных средств реализации параллельных вычислений при решении сложных и ресурсоемких задач. Однако основной проблемой широко распространенных технологий глобальных компьютерных сетей является невозможность универсально и эффективно использовать удаленные вычислительные ресурсы, поскольку изначально так называемые интернет-технологии ориентировались на доступ к данным, а не к вычислительным мощностям.

Преодолеть ограничения существующих в этой области решений позволяют интенсивное развитие и внедрение перспективной сетевой технологии Грид, в основе которой лежит идея создания географически распределенной вычислительной инфраструктуры, объединяющей ресурсы различных типов с коллективным доступом к этим ресурсам в рамках виртуальных организаций, состоящих из предприятий и специалистов, совместно использующих эти общие ресурсы. На основе этой технологии можно реализовать ту или иную Грид-систему, предназначенную для решения того или иного класса прикладных задач [1].

Автоматизация распределения ресурсов Грид-системы и их координация в процессе решения сложных научно-технических задач требуют разработки и применения формальных методов моделирования и оптимизации для формирования эффективной конфигурации вычислительных ресурсов Грид-системы, реализующей основные функции.

Предлагаемая система поддержки принятия решений (СППР) «Формирование эффективной конфигурации Грид-системы» для автоматизации выбора эффективной по производительности, надежности и стоимости структуры Грид-системы разработана на основе предложенного авторами комплекса математических моделей оценки производительности и надежности функционирования Грид-систем [2].

Постановка оптимизационной задачи выбора эффективной конфигурации Грид-системы для решения сложных задач определенного класса имеет следующий вид:

,

при условиях:

, ,

.

Здесь П(×) – критерий производительности Грид-системы, настроенной на решение сложных задач определенного класса;  – минимально необходимый уровень производительности Грид-системы; Kr(×) – коэффициент готовности Грид-системы;  – предельно допустимый уровень коэффициента готовности Грид-системы; N – количество клиентских ресурсов Грид-системы; M – количество доступных для включения в рассматриваемую конфигурацию Грид-системы серверных узлов; k – номер серверного узла, включенного в рассматриваемую конфигурацию Грид-системы (); nk – количество процессоров k-го серверного узла Грид-системы;  – производительность каждого процессора k-го серверного узла Грид-системы (flops);  и  – соответственно интенсивности отказов и восстановления процессоров k-го серверного узла Грид-системы;  и  – соответственно интенсивности отказов и восстановления концентратора при k-м серверном узле Грид-системы;  – век- тор показателей включенности клиентских узлов Грид-системы в рассматриваемую конфигура- цию:

 ;  – точки упорядоченного по возрастанию множества моментов времени включения и выключения ресурсов Грид-системы, включая начало и конец интервала времени, ; NT – количество точек в упорядоченном по возрастанию множестве моментов времени включения и выключения ресурсов Грид-системы, включая начало и конец интервала времени, ;  – стоимость аренды k-го серверного узла Грид-системы в сутки;  – стоимость аренды i-го клиентского узла Грид-системы в час, ;  и – соответственно максимально и минимально возможное количество клиентских узлов Грид-системы.

Для решения данной оптимизационной задачи в программной системе используется многокритериальный генетический алгоритм (ГА), эффективность которого слабо зависит от свойств оптимизируемых функций, что позволяет справляться с решением сложных задач глобальной оптимизации [3].

Обобщенная структурная схема СППР «Формирование эффективной конфигурации Грид-системы» представлена на рисунке 1.

В данной программной системе реализованы следующие функциональные возможности:

·  настройка аппаратных характеристик имеющихся для использования в Грид-системе клиентских и серверных узлов;

·  настройка расписания работы имеющихся для использования в Грид-системе клиентских узлов;

·  настройка параметров алгоритма решаемого класса задач;

·   настройка параметров ГА для выбора эффективных конфигураций Грид-системы;

·   визуализация информации, характеризующей процесс решения задачи;

·   изменение параметров ГА в процессе решения задачи;

·  визуализация результатов выбора эффективных конфигураций Грид-системы;

·  сохранение результатов в текстовых и графических файлах.

Результаты работы программной системы:

-     множество недоминируемых конфигураций проектируемой Грид-системы, каждая из которых имеет свой состав и свойства (аппаратные характеристики клиентских узлов и сервера, значение коэффициента готовности);

-     аппроксимация Парето-оптимального фронта;

-     графики пригодности лучшего и худшего индивидов, а также средняя пригодность популяции ГА при решении оптимизационной задачи выбора эффективных конфигураций Грид-системы.

Разработанная программная система использовалась в ООО «Региональные информационные технологии-системы» (г. Красноярск) для распределенного решения задачи выбора эффективной структуры централизованной Грид-системы, настроенной на решение вычислительно сложной задачи нейросетевого моделирования со следующими характеристиками: средняя вычислительная сложность одной итерации вычислений на одной ветви алгоритма решения задачи – 10 000 операций; средняя вычислительная сложность алгоритма управления одной ветвью алгоритма решения задачи – 5 000 операций; средний объем данных клиент-серверного обмена – 200 Кб.

Для построения Грид-системы имелись 153 клиентских узла с заданным расписанием работы и следующими параметрами: производительность – от 4 200 до 17 345 Mflops; скорость каналов передачи данных – от 10 Mбит/сек. до 27 Mбит/сек.; стоимость аренды за 1 час использования – от 1,03 руб. до 3,82 руб.; по надежности все клиентские узлы разбиваются на 2 группы с интенсивностями отказов 0,00001 и 0,000001. Выбор серверного узла проектируемой Грид-системы не производился по причине того, что предприятие-заказчик предоставляет свой серверный узел со следующими параметрами: количество процессоров – 2; производительность каждого процессора сервера – 11 500 Mflops; стоимость аренды – 0; интенсивность отказов процессоров сервера – 10-6. На проектируемую Грид-систему накладывались следующие ограничения: количество клиентских узлов Грид-системы – от 15 до 20; коэффициент готовности Грид-системы – не менее 99,9 %; минимальная производительность Грид-системы – не менее 50 Gflops.

При решении задачи была получена аппроксимация Парето-множества конфигураций Грид-системы, состоящая из 6 точек, а также его фронта. Аппроксимация фронта Парето представлена на рисунке 2.

По значениям стоимости и производительности полученных конфигураций Грид-систем был выбран следующий вариант: средняя производительность – 81,522 Gflops; стоимость – 466,71 руб. в сутки; коэффициент готовности – 99,92 %; минимальная производительность – 51 Gflops.

Таким образом, с использованием разработанной СППР была выбрана эффективная конфигурация Грид-системы централизованного типа, позволяющая осуществлять распределенные вычисления по заданному алгоритму.

Результаты практической апробации свидетельствуют о том, что разработанное программное обеспечение позволяет успешно решать задачи проектирования вычислительных систем на базе технологии Грид, предназначенных для решения сложных научно-технических задач.

Литература

1. Кирьянов А.К., Рябов Ю.Ф. Введение в технологию Грид: Учеб. пособ. – Гатчина: ПИЯФ РАН, 2006. – 39 с.

2. Ефимов С.Н., Тынченко В.С. Модели и алгоритмы формирования GRID-систем для структурно-параметрического синтеза нейросетевых моделей. // Вест. Сиб. гос. аэрокосмич. ун-та. – 2008. – Вып. 4 (21). – С. 18–22.

3. Zitzler E., Thiele L. Multiobjective evolutionary algorithms: A comparative case study and the strength Pareto approach. // IEEE Transactions on Evolutionary Computation. – 1999.