Модель балансування мультисуб'єктних поліфакторних середовищ підтримки програмного забезпечення на базі кольорових мереж Петрі
Анотація
Розроблено модель балансування мультисуб'єктних поліфакторних середовищ підтримки програмного забезпечення (ПЗ) на базі кольорових мереж Петрі, що забезпечує можливість вирішення завдань дослідження динаміки процесів у контексті вирішення науково-прикладної проблеми балансування мультисуб'єктних поліфакторних середовищ комплексної підтримки програмного забезпечення (програмних продуктів/комплексів). Водночас, цей спектр проблем входить до кластера більш глобальної науково-прикладної проблематики автоматизації й інтелектуалізації комплексної підтримки програмних продуктів, а також дослідження релевантної проблематики людино-машинної взаємодії. Подано відповідний алгоритм балансування мультисуб'єктних поліфакторних середовищ підтримки ПЗ, на підставі якого функціонує розроблена однойменна модель. Побудовано дерево досяжності станів розробленої моделі (балансування мультисуб'єктних поліфакторних середовищ підтримки ПЗ) на базі кольорових мереж Петрі, що підтверджує досяжність та скінченність кожного із станів моделі. Виконано практичну апробацію розробленої моделі на прикладі моделювання експериментального практичного прикладного завдання моніторингу поліфакторної динаміки окремого заданого суб'єкта мультисуб'єктного середовища підтримки у процесі балансування останнього, а отримані результати практичної апробації підтверджують дієвість та ефективність розробленої моделі щодо вирішення завдань дослідження динаміки процесів в контексті вирішення науково-прикладної проблеми балансування мультисуб'єктних поліфакторних середовищ комплексної підтримки програмного забезпечення (програмних продуктів / комплексів). Розглянуто перспективи подальших досліджень і потенційних способів розвитку та вдосконалення як у контексті обраної тематики досліджень, так і глобальної проблематики автоматизації й інтелектуалізації комплексної підтримки програмних продуктів та людино-машинної взаємодії.
Завантаження
Посилання
Adusumilli, S. B. K. (2024). Scalable software architecture for dynamic threat detection and mitigation in IoT. Machine Intelligence Research, 18(1), 468–481. URL: https://www.researchgate.net/publication/387176360_scalable_software_architecture_for_dynamic_threat_detection_and_mitigation_in_iot
Alatawi, H. S., & Alatawi, S. A. (2023). Review of Load Balancing Algorithms Inspired by Artificial Bee Colony Algorithm in the Cloud Computing. International Journal of Wireless Communications and Network Technologies, 12(5), 14–27. https://doi.org/10.30534/ijwcnt/2023/021252023
Beard, J. W., et al. (2024). Agile Development: The Promise, the Reality, the Opportunity. Agil-ISE24: 3rd Intl. Workshop on Agile Methods for Information Systems Engineering, 3690, 7–17. URL: https://ceur-ws.org/Vol-3690/paper-2.pdf
Beissenova, G., Zhidebayeva, A., Kopzhassarova, Z., Kozhabekova, P., Myrzakhmetova, B., Kerimbekov, M., Ussipbekova, D., & Yeshenkozhaev, N. (2024). Load Balancing in DCN Servers Through Software Defined Network Machine Learning. International Journal of Advanced Computer Science and Applications, 15(2), 509–519. https://doi.org/10.14569/ijacsa.2024.0150254
Das, S., White, A., Lyn, M., & Kalafatis, S. (2025). Smartly Managing Traffic and Latency in a Content-Based data center using Modified Packet Headers, Machine Learning, Load Balancing, and Network Telemetry. In: 2025 Workshop on Computing, Networking and Communications (CNC), 162–167. URL: http://www.conf-icnc.org/2025/papers/p162-das.pdf
Dhoolia, P., Chugh, P., Costa, P., Gantayat, N., Gupta, M., Kambhatla, N., Kumar, R., Mani, S., Mitra, P., Rogerson, C., & Saxena, M. (2017). A cognitive system for business and technical support: A case study. IBM Journal of Research and Development, 61(1), 7:74–7:85. https://doi.org/10.1147/jrd.2016.2631398
Ilori, O., Nwosu, N. T., & Naiho, H. N. N. (2024). Enhancing IT audit effectiveness with agile methodologies: A conceptual exploration. Engineering Science & Technology Journal, 5(6), 1969–1994. https://doi.org/10.51594/estj/v5i6.1217
John, A., Oosthuizen, R., & Fanta, G. (2024). Artificial intelligence integration in systems engineering: navigating opportunities and risks across the system lifecycle. In: 34th Southern African Institute for Industrial Engineering Conference 2024 (SAIIE34), 14-16 October 2024, Vanderbijl Park, South Africa, 706–722. https://doi.org/10.52202/078172-0039
Kiran, K. R., Kumar, D. L. S., Jyothi, V. E., Cuong, N. H. H., & Ha, N. H. (2024). An advanced ensemble load balancing approach for fog computing applications. International Journal of Electrical and Computer Engineering (IJECE), 14(2), 1825–1833. https://doi.org/10.11591/ijece.v14i2.pp1825-1833
Kokku, R. (2024). Revolutionizing DevOps Security: AI and ML-Enabled Automated Testing Approaches. International Journal of Current Science Research and Review, 7(11), 8140–8144. https://doi.org/10.47191/ijcsrr/V7-i11-01
Kumar, A. (2022). A Literature Survey on Algorithms for the Optimal Load Balancing in Cloud Computing Environments. International Journal for Research in Applied Science and Engineering Technology, 10(7), 168–172. https://doi.org/10.22214/ijraset.2022.42845
Mahdi, R. M., Hassan, H. J., & Abdulsaheb, G. M. (2024). A Review Load balancing algorithms in Fog Computing. BIO Web of Conferences, 97(00036), 1–16. https://doi.org/10.1051/bioconf/20249700036
Ojel, A. B. B., & Teleron, J. I. (2025). Configuration Management and Automation Tools: A Comparative Analysis and Overview. International Journal of Advanced Research in Arts, Science, Engineering & Management, 12(1), 174–185. URL: https://ijarasem.com/admin/img/19_Configuration%20Management.pdf
Oyediran, M. O., Ojo, O. S., Ajagbe, S. A., Aiyeniko, O., Obuzor, P. C., & Adigun, M. O. (2024). Comprehensive review of load balancing in cloud computing system. International Journal of Electrical and Computer Engineering (IJECE), 14(3), 3244–3255. https://doi.org/10.11591/ijece.v14i3.pp3244-3255
Permana, M. C., Prameswari, A., Ginting, A. D., Asjad, M. R., Syakurnia, B., & Andreswari, R. (2024). Bottleneck and Resource Analysis on IT Help Desk with Process Mining. Journal of Information Technology and Computer Science, 9(1), 77–85. https://doi.org/10.25126/jitecs.202491581
Potluri, S., Hamad, A. A., Godavarthi, D., & Basa, S. S. (2023). Enhanced Task Scheduling Using Optimized Particle Swarm Optimization Algorithm in Cloud Computing Environment. ICST Transactions on Scalable Information Systems, 1–5. https://doi.org/10.4108/eetsis.4042
Pukach, A. I., & Teslyuk, V. M. (2025). Method of forming multifactor portraits of the subjects supporting software complexes, using a multilayer perceptron. Radio Electronics, Computer Science, Control, 1, 130–141. https://doi.org/10.15588/1607-3274-2025-1-12
Sheetal, A. P., Bhima, R. T., Karampudi, R., & Prasad, S. D. V. (2022). Load Balancing and Parallel Computation Model for Performance and Accuracy over the Cluster of Nodes. Ingénierie Des Systèmes D Information, 27(2), 343–348. https://doi.org/10.18280/isi.270219
Suganthi, E., & Selvi, F.K.M. (2024). Cloud Computing by Implementing State and Random-Based Virtual Machine Load Balancing Model. International Journal of Intelligent Engineering and Systems, 17(3), 92–101. https://doi.org/10.22266/ijies2024.0630.08
Tamanampudi, V. M. (2024). Development of Real-Time Evaluation Frameworks for Large Language Models (LLMs): Simulating Production Environments to Assess Performance Stability Under Variable System Loads and Usage Scenarios. Distributed Learning and Broad Applications in Scientific Research, 10, 326–359. URL: https://www.researchgate.net/publication/384804143_Development_of_Real-Time_Evaluation_Frameworks_for_Large_Language_Models_LLMs_Simulating_Production_Environments_to_Assess_Performance_Stability_Under_Variable_System_Loads_and_Usage_Scenarios
Wijesekara, P. (2024). Load Balancing in Blockchain Networks: A Survey. International Journal of Electrical and Electronic Engineering & Telecommunications, 13(4), 260–276. https://doi.org/10.18178/ijeetc.13.4.260-276
Yechuri, P. M., & Budidha, N. (2024). Leveraging Machine Learning for Enhanced Automated Software Testing in Agile Environments. Bulletin of Engineering Science and Technology, 01(01), 29–41. URL: https://media.neliti.com/media/publications/591056-leveraging-machine-learning-for-enhanced-6df085e9.pdf
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
