Preview

Информатика и образование

Расширенный поиск

Анализ современных подходов к балансировке нагрузки серверных кластеров в образовательных информационных системах и соответствующих алгоритмов

https://doi.org/10.32517/0234-0453-2025-40-2-79-87

Аннотация

Системы управления обучением (англ. Learning Management System, LMS) играют ключевую роль в образовательном процессе, предоставляя студентам разнообразные виды образовательного контента, а преподавателям — инструменты для контроля знаний обучающихся и оценки прогресса. Однако с увеличением числа студентов возрастает и нагрузка на каналы передачи данных, что может привести к снижению качества обучения. Чтобы решить эту проблему, требуется комплексно подойти к проблеме балансировки нагрузки кластера серверов образовательных платформ.

В статье рассмотрены основные существующие алгоритмы балансировки, даны их комплексное сравнение и оценка применимости к образовательным платформам. Особое внимание уделено сетям доставки контента (англ. Content Delivery Network, CDN) и их важной роли в этом процессе. Проанализированы современные тенденции интеграции балансировщика с облачными технологиями, выделена особая важность интеллектуального управления кешированием и оркестрации контейнеров как одного из основных способов увеличения скорости работы LMS и их отказоустойчивости. Предложена архитектура кластеров серверов «1С:Предприятие 8» с практическими схемами построения масштабируемых инфраструктур для онлайн-обучения.

Об авторах

Р. В. Сущеня
Московский государственный технологический университет «Станкин»; Фирма «1С»
Россия

Сущеня Роман Валерьевич, аспирант кафедры управления информацией в технических системах, факультет информационных технологий; разработчик,

г. Москва.



В. Е. Петров
Московский государственный технологический университет «Станкин»
Россия

Петров Валерий Евгеньевич, канд. тех. наук, доцент, доцент кафедры управления информацией в технических системах, факультет информационных технологий,

г. Москва.



Список литературы

1. Nagelli A., Yadav N. K. Efficiency unveiled: Comparative analysis of load balancing algorithms in cloud environments. International Journal of Information Technology and Management. 2024;18(2):142–147. DOI: 10.29070/pb64mp50.

2. Пономаренко Д. Н. Обзор алгоритмов балансировки нагрузки в облачных вычислительных системах. Молодой ученый. 2024;(12(511)):21–30. EDN: WGCGDY.

3. Harjanti T. W., Setiyani H., Trianto J. Load balancing analysis using round-robin and least-connection algorithms for server service response time. Applied Technology and Computing Science Journal. 2022;5(2):40–49. DOI: 10.33086/atcsj.v5i2.3743.

4. Katangur A., Akkaladevi S., Vivekanandhan S. Priority weighted round robin algorithm for load balancing in the cloud. 2022 IEEE 7th Int. Conf. on Smart Cloud (SmartCloud). IEEE; 2022:230–235. DOI: 10.1109/SmartCloud55982.2022.00044.

5. Baihaqi M. R., Negara R. M., Tulloh R. Analysis of load balancing performance using round robin and IP hash algorithm on P4. 2022 5th Int. Seminar on Research of Information Technology and Intelligent Systems (ISRITI). IEEE; 2022:93–98. DOI: 10.1109/ISRITI56927.2022.10052975.

6. Kashani M. H., Mahdipour E. Load balancing algorithms in fog computing. IEEE Transactions on Services Computing. 2022;16(2):1505–1521. DOI: 10.1109/TSC.2022.3174475.

7. Malathi K., Anandan R., Vijay J. F. Cloud environment task scheduling optimization of modified genetic algorithm. Journal of Internet Services and Information Security (JISIS). 2023;13(1):34–43. DOI: 10.58346/JISIS.2023.I1.004.

8. Gad A. G. Particle swarm optimization algorithm and its applications: a systematic review. Archives of computational methods in engineering. 2022;29(5):2531–2561. DOI: 10.1007/s11831-021-09694-4.

9. Zhang Y., Kong X. A particle swarm optimization algorithm with empirical balance strategy. Chaos, Solitons & Fractals: X. 2023;10(11):100089. DOI: 10.1016/j.csfx.2022.100089.

10. Abualigah L., Sheikhan A., Ikotun A. M., Zitar R. A., Alsoud A. R., Al-Shourbaji I., Hussien A. G., Jia H. Particle swarm optimization algorithm: Review and applications. Elsevier BV; 2024:1–14. DOI: 10.1016/b978-0-443-13925-3.00019-4.

11. Zheng H., Guo J., Zhou Q., Chen Y. Application of improved ant colony algorithm in load balancing of software-defined networks. The Journal of Supercomputing. 2023;79(7):7438–7460. DOI: 10.1007/s11227-022-04957-8.

12. Deng X., Zeng S., Chang le, Wang Y., Wu X., Liang J., Ou J., Fan C. An ant colony optimization-based routing algorithm for load balancing in LEO satellite networks. Wireless Communications and Mobile Computing. 2022;2022(1):3032997. DOI: 10.1155/2022/3032997.

13. Gures E., Shayea I., Ergen M., Bin Azmi M., El-Saleh A. Machine learning-based load balancing algorithms in future heterogeneous networks: A survey. IEEE Access. 2022;10(2):37689–37717. DOI: 10.1109/ACCESS.2022.3161511.

14. Taghizadeh M., Ahmadi M. A heuristic task scheduling algorithm for vehicular fog computing. 2024 8th Int. Conf. on Smart Cities, Internet of Things and Applications (SCIoT). IEEE; 2024:168–173. DOI: 10.1109/SCIoT62588.2024.10570144.

15. Zeedan M., Attiya G., El-Fishawy N. Enhanced load balancing based on hybrid artificial bee colony with enhanced β-hill climbing in cloud. Mansoura Engineering Journal. 2023;48(3):11. DOI: 10.58491/2735-4202.3098.

16. Rahman F., Titouna C., Naït-Abdesselam F. Scalable blockchain system for load balancing DNS servers using heuristic sharding. 2023 Fifth Int. Conf. on Blockchain Computing and Applications (BCCA). IEEE; 2023:420–425. DOI: 10.1109/BCCA58897.2023.10338848.

17. Singh I. T., Singh T. R., Sinam T. Server load balancing with round robin technique in SDN. 2022 Int. Conf. on Decision Aid Sciences and Applications (DASA). IEEE; 2022:503–505. DOI: 10.1109/DASA54658.2022.9765287.

18. Zhang P., li J., Tang Y., Wang H., Cao T. A novel, efficient, green and real-time load balancing algorithm for 5G network measurement report collecting clusters. Journal of Circuits, Systems and Computers. 2022;31(18):2250313. DOI: 10.1142/S0218126622503133.

19. Papagianni C., Leivadeas A., Papavassiliou S. A cloud-oriented content delivery network paradigm: Modeling and assessment. IEEE Transactions on Dependable and Secure Computing. 2013;10(5):287–300. DOI: 10.1109/TDSC.2013.12.

20. Triukose S., Wen Zh., Rabinovich M. Measurement of the commercial content delivery network. Proc. 20th Int. Conf. on World Wide Web (WWW’11). New York, NY, USA, Association for Computing Machinery; 2011:467–476. DOI: 10.1145/1963405.1963472.


Рецензия

Для цитирования:


Сущеня Р.В., Петров В.Е. Анализ современных подходов к балансировке нагрузки серверных кластеров в образовательных информационных системах и соответствующих алгоритмов. Информатика и образование. 2025;40(2):79-87. https://doi.org/10.32517/0234-0453-2025-40-2-79-87

For citation:


Suschenya R.V., Petrov V.E. Analysis of modern approaches to load balancing of server clusters in educational information systems and corresponding algorithm. Informatics and education. 2025;40(2):79-87. (In Russ.) https://doi.org/10.32517/0234-0453-2025-40-2-79-87

Просмотров: 29


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 0234-0453 (Print)
ISSN 2658-7769 (Online)