|
Abstract.
To effectively solve the problem of developing elastic distributed algorithms that adapt to dynamic workloads and resource availability, a new elastic computational model based on pattern-dependent (PD) languages and their recognizers, fractal finite state automata (FFA), is introduced. The relationship between PD languages and geometric fractals is given. A method for designing elastic algorithms is proposed, which consists of two steps: first, extracting invariants from the algorithm by representing it as a chain of transforming multi-valued functions; and second, applying these invariants as operational symbols within the PD and FFA. The method is exemplified for developing an elastic algorithm for a binary tree based on the FFAs. This solution can be mapped onto an elastic computing network, where the nodes of the tree are implemented as servers or containers. Efficiency is achieved during the transition from simulation modeling to the development of a control system by minimizing additional transformations. The elastic computational model functions as the core of the control system, facilitating a more rapid and cost-efficient transition to practical system management. This advantage is supported by a comparative analysis presented in the paper, highlighting the proposed method's effectiveness and universality over the existing approaches.
Keywords:
pattern dependent languages, fractal finite state automata, elastic algorithms, elastic computing.
DOI 10.14357/20718632250412
EDN YRJJIW
Стр. 121-133.
Литература
1. Семенов A.C. Гиперагентные смарт фабрики на основе фрактальных сетей Петри: обеспечение эластичности и устойчивости. Материалы 10-й международной конференции по управлению, принятию решений и информационным технологиям (CoDIT). Издатель: IEEE; Мальта: 2024. С. 425-430. doi: 10.1109/CoDIT62066.2024.10708431. 2. Серрано M.A. и др. Эластичная программная архитектура для аналитики больших данных экстремального масштаба. В: Керри E., Ауэр S., Берре A.J., Мецгер A., Перес M.S., Циллер S. (ред.) Технологии и приложения для получения больших данных. Шам; Springer; 2022. С. 1-10. doi: 10.1007/978-3-030-78307-5_5. 3. Марангозова-Мартин B., де Пальма Н., Эль Реддан А. Многоуровневая эластичность для обработки потоковых данных. IEEE Transactions on Parallel and Distributed Systems. 2019; 30(10): 2326-2337. doi: 10.1109/TPDS.2019.2907950. 4. Улам М. Клеточные автоматы. Материалы Международного конгресса математиков. 1960; 1: 45-49. 5. фон Нейман Д. Теория саморазмножающихся автоматов. Бёркс А.В. (ред.) Урбана: Издательство Университета Иллинойс; 1966. С. 1-346. 6. Уолфрам С. Новой вид науки. Шампейн, IL: Wolfram Media; 2002. 7. фон Нейман Д., Моргенштерн O. Теория игр и экономического поведения. Нью-Йорк, NY: Wiley; 1944. С. 188. ISBN 0-471-99936-5. 8. Хопкрофт Д.И., Ульман Д.П. Введение в теорию автоматов, языков и вычислений. 1-е изд. Шаидуллин М.М. (ред.) Бостон, MA: Addison-Wesley Publishing Company; 1979. С. 328. (Серия по информатике). ISBN 0-201-03456-3. 9. Семенов A.C. Основы фрактального программирования. Джейн Л.С., и др. (ред.) Умные инновации, системы и технологии. Прогресс в теории и практике вычислительной механики. Springer-Verlag; 2020. С. 373-386. doi: 10.1007/978-981-15-2600-8_25. 10. Семенов A.C. Программирование на основе прототипов с помощью фрактальной алгебры. Материалы конференции AIP. 2019; 2181: 1-5. doi: 10.1063/1.5135669. 11. Семенов A.C. Динамический анализ эластичных систем на основе графов. Материалы 7-й международной конференции по управлению, принятию решений и информационным технологиям (CoDIT). 2020. Т. 1. С. 65-70. doi: 10.1109/CoDIT49905.2020.9263986. 12. Глушков В.М. Абстрактная теория автоматов. Успехи математических наук. 1961; 16(5): 476. 13. Мур И.Ф. Gedanken-эксперименты о последовательных машинах. Исследования автоматов; 1956. 14. Мили И. Конечные автоматы и их применение. 1967. 15. Бак П.-И. Инвариантное программирование: основные подходы и преподавательский опыт. Формальные аспекты вычислений. 2008; 20(1): 1-14. ISSN 0934-5043, 1433-299X. 16. Андреолия П., Чжао Д., Чучинотта Т., Буйя Р. CloudSim 7G: интегрированная платформа для моделирования и симуляции облачных вычислений следующего поколения. arXiv:2408.13386 [cs.DC]; 2024. 17. Хорзелла М., Кассанова H., Гиффелс M., Готтманн A., Хофсэсс Р., Кваст Г., Тисбени С.П., Штрейд А., Судер Ф. Моделирование распределенных вычислительных инфраструктур для приложений HEP. arXiv:2403.14903 [cs.DC]; 2024. 18. Сакет С., Чандела B., Калим М.Д. Объединение событий в реальном времени на практике с Kafka и Flink. arXiv:2410.15533 [cs.SE]; 2024. 19. Турин Г., Боргарелли A., Донетти С., Дамяни Ф., Джонсен И.Б., Тарифа С.Л.Т. Прогнозирование потребления ресурсов контейнерных систем Kubernetes с использованием моделей ресурсов. arXiv:2305.07651; 2023. 20. Гуэдельха Н., Пасанди В., Л'Эрарио Г., Травесаро С., Пуччи Д. Гибкий симулятор MATLAB/Simulink для роботизированных плавучих систем, контактирующих с землей: теоретические основы и детали реализации. arXiv:2405.08092; 2024. 21. МакКормик И., Ланг X., де Силва C.В. Динамическое моделирование и симуляция мобильного робота с четырехколесным шасси с использованием линейных графов. arXiv:2110.00323 [cs.RO]; 2021. 22. TensorFlow. Инструменты оптимизации модели. Доступно по адресу: https://www.tensorflow.org/model_optimization. 23. Адам C., Годо B. Агентная модель выбора модальности с предвзятостями восприятия и привычками. arXiv:2406.02063 [cs.CY]; 2024. 24. Кроуновер Р. Введение в фракталы и хаос. Лондон: Jones and Bartlett Publishers; 1995.
|
