Организация и исследование кластерных вычислительных систем с функциональной архитектурой, определяемой исполнимыми моделями. Автоматные исполнимые модели обработки информации

Цели. Актуальной является задача совершенствования функциональной архитектуры кластерных вычислительных систем за счет внедрения методологий создания программного обеспечения прикладного и промежуточного уровней на основе формализованных спецификаций. Одна из таких методологий основана на использовании автоматных спецификаций программного обеспечения вычислительных систем. Сложность решения задачи вызвана разветвленностью построенных алгоритмов, а также наличием циклических участков. Время выполнения разветвленных участков программы и число проходимых циклов зависят от вида вводимых условий и на практике могут быть определены при помощи детальной имитационной модели и анализа созданной на ее основе управляющей программы. Цель работы – нахождение подходов к определению функциональной архитектуры, которые возможно применять практически на основных уровнях предметной ориентации кластерных вычислительных систем.

Методы. Предлагаемые и использованные методы основаны на концепции организации и исследования вычислительных систем кластерного типа с функциональной архитектурой, определяемой исполнимыми автоматными моделями.

Результаты. Предложены методы построения автоматных и логико-вероятностных моделей кластерных вычислительных систем и создания на этой основе программных средств. Вводится понятие логико-вероятностной модели «темпоральная вероятностная система канонических уравнений», которая позволит получить наглядную формализацию и реализацию автоматных моделей и рабочих программ, характерных для кластерных и других приложений, и в существенной степени сократить число «инкрементных» сложений при перечислении моментов дискретного времени. Главной особенностью новой логико-вероятностной модели является сохранение в ее основе исходной системы канонических уравнений.

Выводы. Сделан вывод о том, что выбор системной и функциональной архитектуры вычислительного кластера должен определяться не столько указанными производителем пиковыми характеристиками коммуникационной аппаратуры, сколько реальными показателями, достигаемыми на уровне приложений пользователей и режимов использования кластера. Показано, что исполнимые автоматные модели могут применяться практически на всех уровнях предметной ориентации кластерных вычислительных систем.

1. Воеводин В.В., Воеводин Вл.В. Параллельные вычисления. СПб.: БХВ-Петербург; 2002. 608 с.

2. Pleiter D. Supercomputer Architectures: Current State and Future Trends. The AQTIVATE Project, European Union’s HORIZON MSCA Doctoral Networks Programmer, Grant Agreement No. 101072344. September 2023. 38 p.

3. Boldyrev A., Ratnikov F., Shevelev A. Approach to Finding a Robust Deep Learning Model. IEEE Access. 2025;13: 102390–102406. https://doi.org/10.1109/ACCESS.2025.3578926, https://doi.org/10.48550/arXiv.2505.17254

4. Мишенин Р.М., Костенецкий П.С. Моделирование потока задач вычислительного кластера НИУ ВШЭ с использованием SLURM Simulator. В сб.: Параллельные вычислительные технологии (ПаВТ’2025): сборник трудов XIX Всероссийской научной конференции с международным участием. М.: 2025. С. 324.

5. Promyslov G., Efremov A., Ilyasov Y., Pisarev V., Timofeev A. Efficiency of Machine Learning Tasks on HPC Devices. В сб.: Параллельные вычислительные технологии (ПаВТ’2025): сборник трудов XIX Всероссийской научной конференции с международным участием. М.; 2025. С. 56–81.

6. Kostenetskiy P.S., Kozyrev V.I., Chulkevich R.A., Raimova A.A. Enhancement of the Data Analysis Subsystem in the Task-Efficiency Monitoring System HPC TaskMaster for the cHARISMa Supercomputer Complex at HSE University. In: Sokolinsky L., Zymbler M., Voevodin V., Dongarra J. (Eds.). Parallel Computational Technologies (PCT’2024). Communications in Computer and Information Science. Springer; 2024. V. 2241. P. 49–64. https://doi.org/10.1007/978-3-031-73372-7_4

7. Сластников С.А., Жукова Л.Ф., Семичаснов И.В. Приложение поиска, анализа и прогнозирования данных в социальных сетях. Информационные технологии и вычислительные системы. 2024;1:97–108. https://doi.org/10.14357/20718632240110

8. Kirdeev A., Burkin K., Vorobev A., Zbirovskaya E., Lifshits G., Nikolaev K., Zelenskaya E., Donnikov M., Kovalenko L., Urvantseva I., Poptsova M. Machine learning models for predicting risks of MACEs for myocardial infarction patients with different VEGFR2 genotypes. Front. Med. 2024;11:1452239. https://doi.org/10.3389/fmed.2024.1452239

9. Аль-Хулайди А.А., Садовой Н.Н. Анализ существующих программных пакетов в кластерных системах. Вестник Донского государственного технического университета (Вестник ДГТУ). 2010;10(3-46):303–310. https://elibrary.ru/mvsqql

10. Ладыгин И.И., Логинов А.В., Филатов А.В., Яньков С.Г. Кластеры на многоядерных процессорах. М.: Издательский дом МЭИ; 2008. 112 с. ISBN 978-5-383-00142-4. https://elibrary.ru/qmsnap

11. Кокоц А.В. Разработка программной модели функционирования кластерной вычислительной системы. Вычислительные сети. Теория и практика. 2016;2(29):6.1. URL: https://network-journal.mpei.ac.ru/. Дата обращения 02.06.2025.

12. Kaur K., Rai A.K. A Comparative Analysis: Grid, Cluster and Cloud Computing. Int. J. Adv. Res. Computer Commun. Eng. 2014;3(3):5730–5734.

13. Omer S.M.I., Mustafa A.B.A., Alghali F.A.E. Comparative study between Cluster, Grid, Utility, Cloud and Autonomic computing. IOSR Journal of Electrical and Electronics Engineering (IOSR-JEEE). 2014;9(6):61–67. http://doi.org/10.9790/1676-09636167

14. Kumar R. Comparison between Cloud Computing, Grid Computing, Cluster Computing and Virtualization. Int. J. Mod. Computer Sci. Appl. (IJMCSA). 2015;3(1):42–47. http://doi.org/10.13140/2.1.1759.7765

15. Воеводин Вл.В., Жуматий С.А. Вычислительное дело и кластерные системы. М.: Изд-во МГУ; 2007. 150 с. ISBN 978-5-211-05440-0

16. Хопкрофт Д., Мотвани Р., Ульман Д. Введение в теорию автоматов, языков и вычислений: пер. с англ. М.: Вильямс; 2015. 528 с. ISBN 978-5-8459-1969-4

17. Баранов С.И. Синтез микропрограммных автоматов (Граф-схемы и автоматы). Л.: Энергия; 1979. 231 с.

18. Вашкевич Н.П. Синтез микропрограммных управляющих автоматов. Пенза: Изд-во Пенз. политехн. ин-та; 1990. 115 с.

19. Вашкевич Н.П., Сибиряков М.А. Формальные автоматные модели алгоритмов обработки кэшируемой информации. Современные наукоемкие технологии. 2016;(8-2):205–213. https://elibrary.ru/whksst

20. Лазарев В.Г., Пийль Е.И., Турута Е.Н. Построение программируемых управляющих устройств. М.: Энергоатомиздат; 1984. 264 с.

21. Анишев П.А., Ачасова С.М., Бандман О.Л. Методы параллельного программирования. Новосибирск: Наука; 1981. 180 с.

22. Юдицкий С.А., Магергут В.З. Логическое управление дискретными процессами. Модели, анализ, синтез. М.: Машиностроение; 1987. 176 с.

23. Girault A., Lee E.A. Hierarchical finite state machines with multiple concurrency models. IEEE Trans. Comput.-Aided Design Integr. Circuits Syst. 1999;18(6):742–760. https://doi.org/10.1109/43.766725

24. Stefansson E., Johansson K.H. Hierarchical finite state machines for efficient optimal planning in large-scale systems. In: 2023 European Control Conference (ECC). June, Bucharest, Romania. IEEE; 2023. https://doi.org/10.23919/ ECC57647.2023.10178139

25. Alur R., Yannakakis M. Model checking of hierarchical state machines. ACM SIGSOFT Software Engineering Notes. 1998;23(6):175–188. http://doi.org/10.1145/503502.503503

26. Болотова Л.С. Системы искусственного интеллекта. Модели и технологии, основанные на знаниях. М.: Финансы и статистика; 2012. 664 с. ISBN 978-5-279-03530-4

27. Тейз А., Грибомон П., Луи Ж. Логический подход к искусственному интеллекту: от классической логики к логическому программированию: пер. с франц. М.: Мир; 1990. 429 с. ISBN 5-03-001636-8

28. Представление и использование знаний; под ред. Х. Уэно, М. Исидзука. М.: Мир; 1989. 220 с. ISBN 5-03-000685-0

29. Евреинов Э.В., Косарев Ю.Г. Однородные универсальные системы высокой производительности. Новосибирск: Наука, Сибирское отд.; 1966. 308 с.

30. Белов В.В., Воробьев Е.М., Шаталов В.Е. Теория графов. М.: Высшая школа; 1976. 392 с.

31. Поликарпова Н.И., Шалыто А.А. Автоматное программирование: 2-е изд. СПб.: Питер; 2011. 176 с. ISBN 987-5- 4237-0075-1

32. Питерсон Дж. Теория сетей Петри и моделирование систем: пер. с англ. М.: Мир; 1984. 368 с. 33. Kотов В.Е. Сети Петри. М.: Наука; 1984. 160 с.

33. Волчихин В.И., Зинкин С.А. Логико-алгебраические модели и методы в проектировании функциональной архитектуры распределенных систем хранения и обработки данных. Известия вузов. Поволжский регион. Технические науки. 2012;2:3–16. https://elibrary.ru/pfpgml

34. Зинкин С.А. Элементы новой объектно-ориентированной технологии для моделирования и реализации систем и сетей хранения и обработки данных. Информационные технологии. 2008;10:20–27. 36. Андон Ф.И., Дорошенко А.Е., Цейтлин Г.Е., Яценко Е.А. Алгеброалгоритмические модели и методы параллельного программирования. Киев: Академпериодика; 2007. 634 c.

35. Ющенко Е.Л., Цейтлин Г.Е, Грицай В.П., Терзян Т.К. Многоуровневое структурное проектирование программ. Теоретические основы, инструментарий. М.: Финансы и статистика; 1989. 208 с. ISBN 5-279-00233-Х

36. Gurevich Y. Abstract State Machines: An Overview of the Project. In: Seipel D., Turull-Torres J.M. (Eds.). Foundations of Information and Knowledge Systems. Lecture Notes in Computer Science. Springer; 2004. V. 2942. P. 6–13. https://doi.org/10.1007/978-3-540-24627-5_2

37. Мейер Д. Теория реляционных баз данных: пер. с англ. М.: Мир; 1987. 608 с.