Организация data-центров: информационно-когнитивные аспекты

Целью исследования является систематизация свойств data-центров и поиск путей повышения производительности сети центров на основе коллективного доступа, совмещения шагов хранения и обработки информации и ее тиражирования.

Методы исследования основаны на теории организации сложных информационно-аналитических систем и систем искусственного интеллекта. Применение принципов распределено-территориальной организации центров, отложенного сбора данных, обработки данных на основе расчетно-аналитических моделей и моделей представления знаний позволяет создавать архитектуры data-центров, реконфигурируемые под базовые вычислительные процессы. Для описания архитектуры верхнего уровня были созданы и проанализированы типовой и модифицированный информационно-управляющие циклы обработки информации. На основе методов теории графов дана оценка сложности рассмотренным циклам. При этом использованы как стандартные количественные, так и структурные показатели, что позволило получить рекомендации по организации dаta-центров.

Результаты. Созданный модифицированный информационно-управляющий цикл сетевой обработки информации отличается повышением связности вершин и внутренних циклов обработки. Сравнение рассчитанных средних выходных показателей по стандартному и модифицированному циклам показало целесообразность соединений шагов в составе циклов, моделирущих некторые когнитивные возможности человека при обработке большого объема неструктурированных данных (декомпозиция, агрегация, анализ, обобщение). Построенный модифицированный цикл имеет более высокие средние и относительные показатели сложности. 

Заключение. Совмещение в информационно-управляющем цикле шагов хранения, обработки информации и выделения новых закономерностей позволяет трактовать современные data-центры как интеллектуальные сетевые хранилища-поисковики. Созданный модифицированный информационно-управляющий цикл позволяет итерационно выполнять шаги систематизации, обобщения, анализа данных для получения новых порций информации. Эта особенность обеспечивает повышение общей производительности data-центра и снижение стоимости владения информационными ресурсами.

1. Elistratova I. B., Pikuzo N. G. Distributed storage systems in data centers // Science and Business: Ways of Development. 2024. N 4(154). P. 19–23.

2. Большие данные в области электроэнергетики / О. А. Засухина, Е. В. Ершов, Л. К. Головатюков, Г. А. Шитенков // Вестник Ангарского государственного технического университета. 2022. № 16. С. 16–20.

3. Концепция экспертной системы предиктивного анализа работоспособности энергогенерирующего оборудования / Н. В. Крупенин, И. Е. Кудрявцев, В. Н. Крупенин, Р. Н. Поляков // Автоматизация и IT в энергетике. 2020. № 9(134). С. 14–16.

4. Модели представления и обработки знаний в информационно-аналитических системах / В. П. Добрица, Е. А. Титенко, Ю. А. Халин, А. И. Катыхин. Курск: Университетская книга, 2023. 172 с.

5. Лавриченко О. В. Когнитивное моделирование на базе неманипулируемых механизмов принятия управленческих решений // Системный анализ и прикладная информатика. 2015. № 4. С. 45–48.

6. Какурина А. В., Сизов А. С., Халин Ю. А. Когнитивное моделирование и прогнозирование потребления электроэнергии // Известия Юго-Западного государственного университета. 2023. Т. 27, № 4. С. 44–61. https://doi.org/10.21869/2223-1560-2023-27-4-44-61

7. Еремин Н. А., Степанян А. А., Столяров В. Е. Управление нефтегазовыми активами в эпоху технологий хранения и обработки больших массивов данных // Автоматизация, телемеханизация и связь в нефтяной промышленности. 2019. № 12(557). С. 5–14.

8. Костарев В. Ростелеком представил основные подходы к разработке стратегии цифровой трансформации компании // Фотон-экспресс. 2019. № 1(153). С. 6–7.

9. Ларина А. К., Григорян А. А. Состояние и перспективы развития российских центров обработки в рамках инфраструктуры программы «Цифровая экономика» // Экономика и бизнес: теория и практика. 2018. № 4. С. 146–149.

10. Еремин Н. А., Селенгинский Д. А. О возможностях применения методов искусственного интеллекта в решении нефтегазовых задач // Известия Тульского государственного университета. Науки о Земле. 2023. № 1. С. 201–211.

11. Мельник Э. В., Клименко А. Б. Применение концепции «Туманных» вычислений при проектировании высоконадежных информационно-управляющих систем // Известия Тульского государственного университета. Технические науки. 2020. № 2. С. 273–283.

12. Организация эффективного сетевого доступа к ресурсам дата-центра в распределённой инфокоммуникационной инфраструктуре / М. Р. Биктимиров, А. Б. Жижченко, А. П. Овсянников [и др.] // Механика, управление и информатика. 2014. Т. 6, № 6(51). С. 33–40.

13. Usmandilawar M., Syed F. Mathematical Modeling and Analysis of Network Service Failure in DataCentre // International Journal of Modern Education and Computer Science. 2014. Vol. 6, N 6. P. 30–36. https://doi.org/10.5815/ijmecs.2014.06.04

14. Соловьев А. Энергоэффективность: методы оптимизации инженерной инфраструктуры // Технологии и средства связи. 2012. № 4. URL: http://lib.tssonline.ru/articles2/fix-corp/energoeffektivnost-metody-optimizatsii-inzhenernoy-infrastruktury/ (дата обращения: 19.09.2024)

15. Догучаева С. М. Динамика развития российского рынка облачных технологий и больших данных // РИСК: Ресурсы, Информация, Снабжение, Конкуренция. 2023. № 1. С. 79–82.

16. Веселицкий О. И. Центры обработки данных-зеленый вектор развития цифровой экономики // Инновации и инвестиции. 2018. № 4. С. 214–220.

17. Судани Х. Х. Отказоустойчивость и безопасность доступа в облачных вычислениях // Наука и бизнес: пути развития. 2019. № 4(94). С. 115–119.

18. Формирование системы комплексного оценивания на основе обучающих вариантов / И. В. Буркова, В. Н. Бурков, О. Г. Добросердов [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2019. Т. 9, № 4(33). С. 126–138.

19. Анализ стратегий игровых пространств с использованием нейронных сетей / Р. А. Томакова, В. В. Джабраилов, М. В. Томаков [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2021. Т. 11, № 2. С. 51–65.

20. Халин Ю. А., Киселева К. А., Альков В. В. Модель информационного взаимодействия конкурирующих предприятий // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2017. Т. 7, № 3(24). С. 29–35.

21. Melnik E. V., Orda-Zhigulina M. V., Orda-Zhigulina D. V. Distributed Library Model Based on Distributed Ledger Technology for Monitoring and Diagnostics System // Lecture Notes in Networks and Systems. 2021. Vol. 230. P. 501–509.

22. Метод построения нечеткой когнитивной карты конкурентоспособности машиностроительного предприятия / И. А. Буйневич, Ю. А. Криушина, Ю. А. Халин [и др.] // Известия Юго-Западного государственного университета. Серия: Управление, вычислительная техника, информатика. Медицинское приборостроение. 2023. Т. 13, № 3. С. 146–163.