Інформаційна технологія автоматичної оптимізації мультирегіональної інфраструктури
DOI:
https://doi.org/10.25140/2411-5363-2025-4(42)-208-217Ключові слова:
оптимізація; моніторинг; затримка; Cloudflare; AWS; інформаційна технологія; інфраструктура як код; Python; агентАнотація
У статті представлено інформаційну технологію динамічної оптимізації мультирегіональних хмарних розгортань, що ґрунтується на комплексному врахуванні експлуатаційних метрик затримки доступу та регіональної вартості обчислювальних ресурсів. Метою роботи є підвищення ефективності хмарних розгортань за рахунок автоматизованого вибору регіонів з урахуванням реального географічного розподілу користувачів і чинних тарифів хмарного провайдера. Запропоновано формальну модель, у якій ефективна затримка визначається як зважене мінімальне значення для кожної групи користувачів, а сумарна вартість — як агрегована вартість активних регіонів. На основі інтегрального критерію якості сформовано механізм прийняття рішень, який реалізовано у вигляді програмного агента. Агент здійснює автоматизований збір експлуатаційних метрик CDN і хмарних даних за ціною, оцінює поточний стан системи та ініціює зміну конфігурації за допомогою засобів інфраструктури як коду. Наведено кількісний приклад, що демонструє потенційне зменшення середньої ефективної затримки до 40 % та потенційну економію витрат до 2800 доларів США на рік за умови коректно підібраної мультирегіональної конфігурації. Отримані результати підтверджують доцільність використання динамічної оптимізації для підвищення продуктивності та економічної ефективності хмарних систем.
Посилання
Amazon Web Services. (2022). COST07-BP02 Choose regions based on cost. AWS Well-Architected Framework Documentation. https://docs.aws.amazon.com/wellarchitected/latest/cost-optimization-pillar/cost_pricing_model_region_cost.html.
Amazon Web Services. (2024). AWS Price List Service and Price List API documentation. https://docs.aws.amazon.com/awsaccountbilling/latest/aboutv2/bulk-api-reading-price-list-files.html.
Cloudflare. (2024). Load Balancing and Load Balancing Analytics documentation. https://developers.cloudflare.com/load-balancing/reference/load-balancing-analytics/.
Cloudflare. (2024). Web Analytics documentation. https://developers.cloudflare.com/web-analytics/
Aslanpour, M. S., Gill, S. S., & Toosi, A. N. (2020). Performance evaluation metrics for cloud, fog and edge computing: A review, taxonomy, benchmarks and standards for future research. Internet of Things, 12, 100273.
Taleb, I., Guillaume, J.-L., & Duthil, B. (2025). A survey on services placement algorithms in integrated cloud–fog/edge computing. ACM Computing Surveys, 57(11), Article 268.
Apat, H. K., Sahoo, B., Maiti, P., Barik, R. K., & Saikia, M. J. (2025). Fog service placement optimization: A survey of state-of-the-art strategies and techniques. Computers, 14(3), 99.
Supraja, T., Chawla, P., & Gill, S. S. (2025). AI-driven service placement in fog and edge computing environments: A systematic review, taxonomy and future directions. Cluster Computing, 28, 1070.
Velasquez, K., Perez Abreu, D., Curado, M., & Monteiro, E. (2021). Service placement for latency reduction in the fog using application profiles. IEEE Access, 9, 80821–80834.
Guerrero, C., Lera, I., & Juiz, C. (2018). A lightweight decentralized service placement policy for performance optimization in fog computing. Journal of Ambient Intelligence and Humanized Computing, 9(5), 1467–1482.
Guerrero, C., Lera, I., & Juiz, C. (2019). Evaluation and efficiency comparison of evolutionary algorithms for service placement optimization in fog architectures. Future Generation Computer Systems, 97, 131–144.
Ghobaei-Arani, M., & Shahidinejad, A. (2022). A cost-efficient IoT service placement approach using whale optimization algorithm in fog computing environment. Expert Systems with Applications, 200, 117012.
Chikhaoui, A., Lemarchand, L., Boukhalfa, K., & Boukhobza, J. (2021). Multi-objective optimization of data placement in a Storage-as-a-Service federated cloud. ACM Transactions on Storage, 17(3), Article 22.
Liu, X., Fan, L., Wang, L., et al. (2016). Multiobjective reliable cloud storage with its particle swarm optimization algorithm. Mathematical Problems in Engineering, 2016, 9529526.
Adhikari, M., Mukherjee, M., & Srirama, S. N. (2020). DPTO: A deadline and priority-aware task offloading in fog computing framework leveraging multilevel feedback queueing. IEEE Internet of Things Journal, 7(7), 5773–5782.
Boubaker, N. E. H., Zarour, K., Guermouche, N., & Benmerzoug, D. (2022). Fog and edge service migration approaches based on machine learning techniques. In Proceedings of the Tunisian–Algerian Conference on Applied Computing (TACC) (pp. 33–44). CEUR Workshop Proceedings, 3333.
Amazon Web Services. (2021). What to consider when selecting a region for your workloads. AWS Architecture Blog. https://aws.amazon.com/blogs/architecture/what-to-consider-when-selecting-a-region-for-your-workloads/.
FinOps Foundation. (2023). Managing cloud cost anomalies and related FinOps capabilities. https://www.finops.org/wg/managing-cloud-cost-anomalies/.
Cloudprice.net. (2025). t4g.medium specs and pricing | AWS. https://cloudprice.net/.
Bichard, L. (2021). How to find which AWS region is closest to you? DEV Community. https://dev.to/loujaybee/how-to-find-which-aws-region-is-closest-to-you-3k38.
##submission.downloads##
Опубліковано
Як цитувати
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution-NonCommercial 4.0 International License.
