Оценка вероятностно-временных характеристик компьютерной системы с контейнерной виртуализацией

Введение. Для компьютерных систем с контейнерной виртуализацией исследована зависимость задержки обслуживания запросов от числа развертываемых контейнеров. Искомая зависимость обусловлена разделением ограниченных вычислительных ресурсов компьютерной системы между активными и неактивными контейнерами, загруженными в системе. Метод. В проведенном исследовании предложено комплексное сочетание аналитической модели массового обслуживания, имитационного моделирования и натурных экспериментов. Исследуемая компьютерная система интерпретируется многоканальной системой массового обслуживания с неограниченной очередью. Особенностью предлагаемого подхода является исследование влияния числа сформированных в системе контейнеров на задержки в очереди и интенсивность обслуживания запросов. Каждому контейнеру сопоставляется канал обслуживания, причем для функционирования контейнера в активном и неактивном состояниях требуется использование части общих ресурсов вычислительной системы. При построении модели предполагается, что входной поток простейший, а обслуживание экспоненциальное. Интенсивность обслуживания зависит от числа развернутых контейнеров и от числа запросов в системе. Основные результаты. Экспериментально установлена зависимость интенсивности обслуживания от числа активных контейнеров. Исследование выполнено на платформе, основанной на технологии виртуализации Proxmox с фиксированными ресурсами. Для изучения влияния числа активных контейнеров на интенсивность обслуживания в рамках эксперимента развернут однопоточный веб-сервер в виде нескольких контейнеров, управляемый с помощью портативной расширяемой платформы Kubernetes k3s. Результаты расчетов с применением аналитической модели подтверждены результатами имитационного моделирования, реализованного с использованием библиотеки моделирования SimPy на языке программирования Python. На основе проведенных исследований показана необходимость решения задачи оптимизации числа развертываемых в компьютерной системе контейнеров с учетом влияния их числа на задержки обслуживания запросов. Обсуждение. Проведенные исследования могут найти применение при проектировании кластерных систем реального времени, критичных к допустимым задержкам ожидания обслуживания запасов, к обеспечению непрерывности вычислительного процесса и к сохранению уникальных данных, накопленных в процессе работы системы. Предложенные подходы могут быть применены при создании отказоустойчивых распределенных компьютерных систем, в том числе функционирующих при накоплении отказов и реконфигурации системы с перераспределением нагрузки (запросов) при динамической миграции и с репликацией контейнеров.

1. Dua R., Raja A.R. Kakadia D. Virtualization vs containerization to support PaaS // Proc. of the 2014 IEEE International Conference on Cloud Engineering. 2014. P. 610–614. https://doi.org/10.1109/ IC2E.2014.41

2. BurkovA.A., Rachugin R.O., Turlikov A.M. Analyzing and stabilizing multichannel aloha with the use of the preamble-based exploration phase // Информационно-управляющие системы. 2022. № 5(120). С. 49–59. https://doi.org/10.31799/1684-8853-2022-5-49-59

3. Татарникова Т.М., Архипцев Е.Д. Алгоритм контроллера нечеткой логики для размещения файлов в системе хранения данных // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 6. С. 1171–1177. https://doi.org/10.17586/2226-1494-2023-23-6-1171-1177

4. Астахова Т.Н., Верзун Н.А., Касаткин В.В., Колбанев М.О., Шамин А.А. Исследование моделей связности сенсорных сетей // Информационно-управляющие системы. 2019. № 5(102). С. 38– 50. https://doi.org/10.31799/1684-8853-2019-5-38-50

5. Bogatyrev V.A. Increasing the fault tolerance of a multi-trunk channel by means of inter-trunk packet forwarding // Automatic Control and Computer Sciences. 1999. V. 33. N 2. P. 70–76.

6. Татарникова Т.М., Архипцев Е.Д., Кармановский Н.С. Определение размера кластера и числа реплик высоконагруженных информационных систем // Известия высших учебных заведений. Приборостроение. 2023. Т. 66. № 8. С. 646–651. https://doi.org/10.17586/0021-3454-2023-66-8-646-651

7. Bogatyrev V.A. An interval signal method of dynamic interrupt handling with load balancing // Automatic Control and Computer Sciences. 2000. V. 34. N 6. P. 51–57.

8. Hasselbring W., Steinacker G. Microservice architectures for scalability, agility and reliability in E-commerce // Proc. of the 2017IEEE International Conference on Software Architecture Workshops (ICSAW). 2017. P. 243–246. https://doi.org/10.1109/ICSAW.2017.11

9. Hardikar S., Ahirwar P., Rajan S. Containerization: Cloud computing based inspiration technology for adoption through docker and kubernetes // Proc. of the 2021 Second International Conference on Electronics and Sustainable Communication Systems (ICESC). 2021. P. 1996–2003. https://doi.org/10.1109/ICESC51422.2021.9532917

10. Богатырев В.А., Богатырев С.В., Богатырев А.В. Оценка готовности компьютерной системы к своевременному обслуживанию запросов при его совмещении с информационным восстановлением памяти после отказов // Научно-технический вестник информационных технологий, механики и оптики. 2023. Т. 23. № 3. С. 608–617. https://doi.org/10.17586/2226-1494-2023-23-3-608-617

11. Srivastava A., Kumar N. Queueing model based dynamic scalability for containerized cloud // International Journal of Advanced Computer Science and Applications (IJACSA). 2023. V. 14. N 1. P. 465–472. 12. Li Z., Jin H., Zou D., Yuan B. Exploring new opportunities to defeat low-rate DDoS attack in container-based cloud environment // IEEE Transactions on Parallel and Distributed Systems. 2020. V. 31. N 3. P. 695–706. https://doi.org/10.1109/TPDS.2019.2942591

12. Pal S., Pattnaik P.K. A simulation-based approach to optimize the execution time and minimization of average waiting time using queuing model in cloud computing environment // International Journal of Electrical and Computer Engineering (IJECE). 2016. V. 6. N 2. P. 743–750. https://doi.org/10.11591/ijece.v6i2.9060

13. Клейнрок Л. Теория массового обслуживания: учебное пособие. М.: Машиностроение, 1979. 432 с. 15. Marshall A.W., Olkin I. A multivariate exponential distribution // Journal of the American Statistical Association. 1967. V. 62. N 317. P. 30–44.

14. Friedman J.H. Greedy function approximation: a gradient boosting machine // The Annals of Statistics. 2001. V. 29. N 5. P. 1189–1132. https://doi.org/10.1214/aos/1013203451

15. Matloff N. Introduction to Discrete-Event Simulation and the SimPy Language. February 13, 2008. 33 p.

16. Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Efficiency of servicing heterogeneous traffic when allocating cluster nodes for redundant execution of latency-critical requests // CEUR Workshop Proceedings. 2021. V. 3057. P. 266–273.

17. Bogatyrev V.A., Bogatyrev S.V., Bogatyrev A.V. Control of multipath transmissions in the nodes of switching segments of reserved paths // Proc. of the 2022 International Conference on Information, Control, and Communication Technologies (ICCT). 2022. P. 1–5. https://doi.org/10.1109/icct56057.2022.9976839

18. Tatarnikova T.M., Sikarev I.A., Bogdanov P.Yu., Timochkina T.V. Botnet attack detection approach in IoT networks // Automatic Control and Computer Sciences. 2022. V. 56. N 8. P. 838–846. https:// doi.org/10.3103/s0146411622080259

19. Bogatyrev V.A., Bogatyrev A.V., Bogatyrev S.V. Multipath transmission of heterogeneous traffic in acceptable delays with packet replication and destruction of expired replicas in the nodes that make up the path // Communications in Computer and Information Science. 2023. V. 1748. P. 104–121. https://doi.org/10.1007/978-3-031-30648-8_9