Логотип
ИЭА СТР
УДК 004.75 • EDN: GJDUFK • e-Library ID: 91674039

МЕТОДОЛОГИЧЕСКИЕ ОСНОВЫ РАСПРЕДЕЛЕНИЯ ПЕРИФЕРИЙНЫХ ВЫЧИСЛИТЕЛЬНЫХ РЕСУРСОВ В АВТОМАТИЗИРОВАННЫХ ИНФОРМАЦИОННО-УПРАВЛЯЮЩИХ СИСТЕМАХ

• С. 33-42
🇷🇺 На русском

Для цитирования

Клименко А.Б. Методологические основы распределения периферийных вычислительных ресурсов в автоматизированных информационно-управляющих системах // Информационно-экономические аспекты стандартизации и технического регулирования. 2026. № 3 (90). С. 33–42.

Аннотация

Цель работы состоит в формировании методологических основ распределения периферийных вычислительных ресурсов в современных распределенных автоматизированных информационно-управляющих системах (АИУС). Метод исследования: анализ методов распределения периферийных вычислительных ресурсов, синтез комплекса свойств вычислительной среды на основании индукции свойств вычислительных сред периферийных вычислений, синтез общей структуры информационного процесса распределения вычислительных ресурсов, синтез методологии распределения вычислительных ресурсов, методы теории матроидов. Результаты исследования состоят в сформированных методологических основах распределения периферийных вычислительных ресурсов в современных АИУС. На основании проведенного анализа сформированы признаки вычислительных систем, в рамках которых современные АИУС реализуют информационные процессы обработки информации, а именно – географическая распределенность, гетерогенность, динамика. Также на основании анализа современных методов распределения вычислительных ресурсов сделаны выводы о недостаточности их с точки зрения учета перечисленных свойств вычислительных сред в аспекте ресурсной осведомленности при организации процессов обработки информации в АИУС. На основании этого формализованы задачи: создания методологии распределения периферийных вычислительных ресурсов и общая задача распределения периферийных вычислительных ресурсов в АИУС. Показана целесообразность декомпозиции общей задачи распределения периферийных вычислительных ресурсов в АИУС на основании доказательства принадлежности распределения периферийных вычислительных ресурсов к матроидным структурам в рамках принципов разрабатываемых основ методологии.

Ключевые слова

распределение вычислительных ресурсов автоматизированные информационно-управляющие системы периферийные вычислительные ресурсы оптимизация распределения вычислительных ресурсов качество обработки информации эффективность информационно-управляющих систем

Об авторах

Клименко Анна Борисовна

Клименко Анна Борисовна — Кандидат технических наук, Доцент кафедры фундаментальной и прикладной математики, Российский государственный гуманитарный университет, ( Москва, Россия )

Список литературы

  1. 1. Melnik, E.V., et al. Method for Complexing Information from Intelligent Sensors of Mobile Components of Monitoring Systems // Computer Science On-line Conference. Cham: Springer Nature Switzerland, 2024. C. 15–21.
  2. 2. Klimenko A., Safronenkova I. Efficiency of Data Preprocessing Application for Geographically Distributed Cyberphysical Systems Using WSNs // 2024 International Russian Automation Conference (RusAutoCon). 2024. C. 1200–1204. https://doi.org/10.1109/RusAutoCon61949.2024.10694544.
  3. 3. Ghahramani M., Zeng M., Molter A., Pilla F. IoT-based route recommendation for an intelligent waste management system // IEEE Internet of Things Journal. 2022. Т. 9, № 14. C. 11883–11892. https://doi.org/10.1109/JIOT.2021.3132126
  4. 4. Laroui M., Ibn-Khedher H., Banoun N. Fog computingempowered smart systems for latency-sensitive control applications // 2024 International Wireless Communications and Mobile Computing (IWCMC). IEEE. 2024, pp. 369–374. https://doi.org/10.1109/IWCMC61514.2024.10592353.
  5. 5. Клименко А.Б. Модель распределения вычислительных ресурсов в системах обработки данных Интернета Вещей // Управление развитием крупномасштабных систем (MLSD'2025) : Труды XVIII международной конференции. Москва, 24–26 сентября 2025 года. – М.: ИПУ РАН им. В.А. Трапезникова. 2025. С. 1057–1065. – EDN SLRANK.
  6. 6. Khatua S., Manerba D., Maity S., De D. Dew ComputingBased Sustainable Internet of Vehicular Things. // In Dew Computing: The Sustainable IoT Perspectives. Singapore. 2023. C. 181–205.
  7. 7. Каляев И.А., Мельник Э.В. Децентрализованные системы компьютерного управления. – Ростов-на-Дону: Южный научный центр РАН, 2011. – 196 с. – EDN TRMCQD.
  8. 8. Капустян С.Г., Мельник Э.В. Технология организации отказоустойчивого функционирования распределенных информационно-управляющих систем сложных технических объектов // Вестник компьютерных и информационных технологий. 2010. № 4. С. 33–41. – EDN MIPMTX.
  9. 9. Кульба В.В., Сомов С.К. Репликация, резервирование и схемы восстановления информации в ненадежных распределенных системах // Вестник РГГУ. Серия: Экономика. Управление. Право. 2017. № 3(9). С. 28–39. – EDN ZRADAT.
  10. 10. Бурый А.С. Информационно-поисковые социотехнические системы: термины и определения. – М.: Научно-техническое издательство «Горячая линия-Телеком», 2018. – 166 с. – EDN YAQQAH.
  11. 11. Бурый А.С., Погодин И.М. Оценка качества больших данных. Часть 1. Основные понятия и метрики // Информационно-экономические аспекты стандартизации и технического регулирования. 2024. № 3(78). С. 49–58. – EDN JRZLDS.
  12. 12. Jia Z., Ercan F., Yuan H., et al. Dynamic scheduling of human-robot collaboration with deep reinforcement learning // Production Engineering. 2026. T. 20, № 3. C. 72.
  13. 13. Cheng K.; Fang X.; Wang X. Energy-Efficient Edge Computing and Data Compression Collaboration Scheme for UAV-Assisted Network // IEEE Transactions on Vehicular Technology. 2023. Т. 72, № 12. C. 16395–16408.
  14. 14. Dow E.M. Decomposed Multi-Objective Bin-Packing for Virtual Machine Consolidation // PeerJ Computer Science.2016. № 2. e47.
  15. 15. Manju A.B., Sumathy S. Efficient load balancing algorithm for task preprocessing in fog computing environment // In Smart Intelligent Computing and Applications: Proceedings of the Second International Conference on SCI 2018. 2018. T. 2. C. 291–298.
  16. 16. Vali A.A., et al. Energy-Efficient Resource Management in Microservices-Based Fog and Edge Computing: State-ofthe-Art and Future Directions // ACM Computing Surveys. 2026. T. 58, № 12. C. 1–42.
  17. 17. Natarajan U., Ramachandran A. LSTM-RNN Based Efficient Execution System For Compute And Data Intensive Mobile Applications In The Edges // KSII Transactions on Internet and Information Systems. 2025. T. 19, № 1. С. 17–39.
  18. 18. Bansal S., Singla B.S., Aggarwal H. Workflow task scheduling in a cloud-fog environment: a hybrid PSO-GOA approach // International Journal of System Assurance Engineering and Management. 2025. https://doi.org/10.1007/s13198-024- 02638-8
  19. 19. Zhao L., Lin Z., Shao H., et al. Improved task scheduling and load balancing in fog computing infrastructure using hybrid evolutionary method // Cluster Computing. 2025. № 28(6). С. 396.
  20. 20. Ловцов Д.А. Информационная теория эргасистем: Монография. – М.: РГУП, 2021. –314 с. – EDN SJKYKE.
  21. 21. Klimenko A. The System Architecture and Methods for Efficient Resource-Saving Scheduling in the Fog // Engineering Proceedings. 2023. Т. 33, № 1. C. 9.
🇬🇧 In English

METHODOLOGICAL BASICS OF EDGE COMPUTING RESOURCES ALLOCATION IN AUTOMATED INFORMATION AND CONTROL SYSTEMS

For citation

Klimenko A.B. Methodological Basics of Edge Computing Resources Allocation in Automated Information and Control Systems. Information and economic aspects of standardization and technical regulation. 2026;3(90): 33–42. (In Russ.).

Abstract

Purpose of work consists in the methodological foundations for edge computing resource allocation development for modern distributed automated information and control systems (AICS). Research method is as follows: analysis of edge computing resource allocation methods, synthesis of a set of computing environment properties based on the induction of properties of edge computing environments, synthesis of the general structure of the information process of computing resource allocation, synthesis of the computing resource allocation methodology, matroid theory methods. Results of the study consist in consist of the developed methodological foundations for edge computing resource allocation in modern automated information and control systems (AICS). Based on the conducted analysis, the key characteristics of the computing environments within which modern AICS implement information processing have been identified, namely: geographical distribution, heterogeneity, and dynamics. Furthermore, based on the analysis of modern computing resource allocation methods, it is concluded that they are insufficient in terms of accounting for the aforementioned properties of computing environments, particularly regarding resource awareness when organizing information processing in AICS. On this basis, the following tasks have been formalized: the development of an edge computing resource allocation methodology and the general problem of edge computing resource allocation in AICS. The feasibility of decomposing the general edge computing resource allocation problem in AICS is demonstrated, based on the proof that edge computing resource allocation belongs to matroid structures, in accordance with the principles of the methodology being developed.

Keywords

computing resource allocation automated information and control systems edge computing resources optimization of computing resource allocation quality of information processing information process of edge computing resource allocation efficiency of information and control systems

About the authors

Klimenko Anna Borisovna

Klimenko Anna Borisovna — Cand.Sc. (Technical), Associate Professor of the Department of Fundamental and applied mathematics, Russian State University for the Humanities, ( Moscow, Russia )

References

  1. 1. Melnik, E.V., et al. Method for Complexing Information from Intelligent Sensors of Mobile Components of Monitoring Systems. Computer Science On-line Conference. Cham: Springer Nature Switzerland, 2024, pp. 15–21.
  2. 2. Klimenko, A., Safronenkova I. Efficiency of Data Preprocessing Application for Geographically Distributed Cyberphysical Systems Using WSNs. 2024 International Russian Automation Conference (RusAutoCon), 2024, pp. 1200–1204.
  3. 3. Ghahramani, M., Zeng, M., Molter, A., Pilla, F. IoTbased route recommendation for an intelligent waste management system. IEEE Internet of Things Journal, 2022, vol. 9, no. 14, pp. 11883–11892.
  4. 4. Laroui, M., Ibn-Khedher, H., Banoun, N. Fog computingempowered smart systems for latency-sensitive control applications. 2024 International Wireless Communications and Mobile Computing (IWCMC). IEEE, 2024, pp. 369–374.
  5. 5. Klimenko, A. Resource Allocation Model for IoT Data Processing Systems. 2025 18th International Conference on Management of Large-Scale System Development (MLSD), Moscow, Russian Federation, 2025, pp. 1057–1065. (In Russ.).
  6. 6. Khatua, S., Manerba, D., Maity, S., De, D. Dew ComputingBased Sustainable Internet of Vehicular Things. In Dew Computing: The Sustainable IoT Perspectives. Singapore, 2023, pp. 181–205.
  7. 7. Kalyaev I.A., Melnik E.V. Decentralizovannye sistemy komp'yuternogo upravleniya. Rostov-na-Donu: Yuzhnogo nauchnyj centr RAN Publ., 2011, 196 p. (In Russ.).
  8. 8. Kapustyan S.G., Melnik E.V. Tekhnologiya organizacii otkazoustojchivogo funkcionirovaniya raspredelennyh informacionno-upravlyayushchih sistem slozhnyh tekhnicheskih ob"ektov. Vestnik komp'yuternyh i informacionnyh tekhnologij, 2010, no. №4, pp. 33–41. (In Russ.).
  9. 9. Kulba V.V., Somov S.K. Replikaciya, rezervirovanie i skhemy vosstanovleniya informacii v nenadezhnyh raspredelennyh sistemah. Vestnik RGGU. Seriya: Ekonomika. Upravlenie. Pravo, 2017, no. 3(9), pp. 28–39. (In Russ.).
  10. 10. Buryi A.S. Information Retrieval Socio-Technical Systems: Terms and Definitions. Moscow: Goriachaia liniia-Telekom Publ., 2018, 166 p. (In Russ.).
  11. 11. Buryi A.S., Pogodin I.M. Assessment the Quality of Big Data Part 1. Basic Concepts and Metrics. Information and Economic Aspects of Standardization and Technical Regulation, 2024, no. 3(78), pp. 49–58. (In Russ.).
  12. 12. Jia, Z., Ercan, F., Yuan, H., et al. Dynamic scheduling of human-robot collaboration with deep reinforcement learning. Production Engineering, 2026, vol. 20, no. 3. P. 72.
  13. 13. Cheng, K.; Fang, X.; Wang, X. Energy-Efficient Edge Computing and Data Compression Collaboration Scheme for UAV-Assisted Network. IEEE Transactions on Vehicular Technology, 2023, vol. 72, no. 12, pp. 16395–16408.
  14. 14. Dow, E.M. Decomposed Multi-Objective Bin-Packing for Virtual Machine Consolidation. PeerJ Computer Science, 2016, no. 2, e47.
  15. 15. Manju, A.B., Sumathy, S. Efficient load balancing algorithm for task preprocessing in fog computing environment. In Smart Intelligent Computing and Applications: Proceedings of the Second International Conference on SCI 2018, 2018, vol. 2, pp. 291–298.
  16. 16. Vali, A.A., et al. Energy-Efficient Resource Management in Microservices-Based Fog and Edge Compu-ting: State-ofthe-Art and Future Directions. ACM Computing Surveys, 2026, vol. 58, no. 12, pp. 1–42.
  17. 17. Natarajan, U., Ramachandran, A. LSTM-RNN Based Efficient Execution System For Compute And Data Intensive Mobile Applications In The Edges. KSII Transactions on Internet and Information Systems, 2025, vol. 19, no. 1, pp. 17–39.
  18. 18. Bansal, S., Singla, B.S., Aggarwal, H. Workflow task scheduling in a cloud-fog environment: a hybrid PSO-GOA approach. International Journal of System Assurance Engineering and Management, 2025. https://doi.org/10.1007/s13198-024-02638-8
  19. 19. Zhao, L., Lin, Z., Shao, H., et al. Improved task scheduling and load balancing in fog computing infra-structure using hybrid evolutionary method. Cluster Computing, 2025, no. 28(6). P. 396.
  20. 20. Lovtsov D.A. Information Theory of Ergasystems. Moscow: RGUP Publ., 2021, 314 p. (In Russ.).
  21. 21. Klimenko A. The System Architecture and Methods for Efficient Resource-Saving Scheduling in the Fog. Engineering Proceedings. 2023, vol. 33, no. 1, p. 9.