2021, випуск 3, c. 74-85

Одержано 14.09.2021; Виправлено 24.09.2021; Прийнято 28.09.2021

Надруковано 30.09.2021; Вперше Online 25.10.2021

https://doi.org/10.34229/2707-451X.21.3.7

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна

 

УДК 004.09

Досвід тестового розгортання OpenStack і порівняння віртуального та реального кластерних середовищ

Т.О. Бардадим,   О.В. Лефтеров,   С.П. Осипенко

Інститут кібернетики імені В.М. Глушкова НАН України, Київ

Листування: Ця електронна адреса захищена від спам-ботів. Вам потрібно увімкнути JavaScript, щоб побачити її.

 

Вступ. Надано короткий огляд властивостей та архітектури однієї із складових прототипу Національної хмари відкритої науки – хмарної платформи OpenStack. Представлено перелік програмних та апаратних компонентів тестового хмарного середовища OpenStack та послідовність дій, необхідних для розгортання як самого OpenStack, так і віртуального кластерного середовища Slurm для проведення портабельних, масштабованих, відтворюваних наукових біомедичних обчислень.

Мета роботи. Опис досвіду тестового розгортання OpenStack для створення масштабованого обчислювального середовища для проведення відтворюваних наукових обчислень із використанням сучасних технологічних рішень, яке може бути застосовано як до хмарних (OpenStack, AWS, Google), так і до кластерних платформ (Slurm).

Результати. Коротко описано структуру створеного тестового контейнеризованого (за допомогою технології Singularity) біомедичного додатку, який містить сучасні програмні засоби та бібліотеки і може бути використаний у звичайних та у хмарних віртуальних кластерних середовищах. Надано результати проведеного порівняльного тестового випробування цього додатку у віртуальному кластерному середовищі Slurm під управлінням OpenStack та на одному вузлі кластера СКІТ-4.5 Інституту кібернетики імені В.М. Глушкова НАН України. Наведено інформацію щодо вирішення задачі пошуку оптимальних з точки зору економії ресурсів параметрів масштабування для розробленого додатку у двох порівнюваних кластерних середовищах. З’ясовані деякі особливості використання цих кластерних середовищ, зокрема надано порівняння залежності швидкості роботи додатку від кількості паралельних процесів для двох кластерних середовищ. Наведено емпіричні дані у графічній формі, які ілюструють характер залежності навантаження на сервер OpenStack та використання оперативної пам’яті від кількості паралельних процесів. Продемонстровано можливості портабельності між вказаними кластерними середовищами, масштабування обчислень та забезпечення відтворюваності обчислень для запропонованого тестового додатку. Вказано на переваги застосування технології OpenStack для наукових біо-медичних розрахунків.

Висновки. Описаний приклад тестового розгортання та використання OpenStack дає можливість оцінити вимоги до необхідної технічної бази для забезпечення відтворюваності наукових біомедичних розрахунків у хмарному та кластерному середовищах.

 

Ключові слова: хмарні технології, відтворювані обчислення, платформа кластерна.

 

Цитувати так: Бардадим Т.О., Лефтеров О.В., Осипенко С.П. Досвід тестового розгортання OpenStack і порівняння віртуального та реального кластерних середовищ. Cybernetics and Computer Technologies. 2021. 3. С. 74–85. https://doi.org/10.34229/2707-451X.21.3.7

 

Список літератури

           1.     Загородній А.Г. Європейська хмара відкритої науки як глобальний інструмент наукових досліджень. Газета «Світ». 2020. № 25–26. C. 1–3.

           2.     Горбачук В., Гавриленко С., Дунаєвський М. До участі України в Європейській хмарі відкритої науки. Global and Regional Problems of Informatization in Society and Nature Using. 2021. C. 169–171.

           3.     Sefraoui O., Aissaoui M., Eleuldj M. OpenStack: toward an open-source solution for cloud computing. International Journal of Computer Applications. 2012. 55 (3). P. 3842.

           4.     Bell T., Bompastor B., Bukowiec S., Leon J.C., Denis M., van Eldik J., Lobo M.F., Alvarez L.F., Rodriguez D.F., Marino A. Scaling the CERN OpenStack cloud. Journal of Physics: Conference Series. 664. IOP Publishing 2015. P. 022003.

           5.     Andrade P., Bell T., Van Eldik J., McCance G., Panzer-Steindel B., dos Santos M.C., Traylen S., Schwickerath U. Review of CERN data centre infrastructure. Journal of Physics: Conference Series. 396. IOP Publishing. 2012. P. 042002.

           6.     OpenStack. Практическое знакомство с облачной операционной системой. / Маркелов А.: М.: ДМК Пресс, 2016.

           7.     Strozzi F., Janssen R., Wurmus R., Crusoe M.R., Githinji G., Di Tommaso P., Belhachemi D., Möller S., Smant G., de Ligt J. Scalable workflows and reproducible data analysis for genomics. Evolutionary Genomics. Springer, 2019. P. 723–745.

           8.     Shor N.Z. Nondifferentiable Optimization and Polynomial Problems. London: Kluwer Acad. Publ, 1998. 381 p. https://doi.org/10.1007/978-1-4757-6015-6

           9.     Шор Н. З., Журбенко Н. Г. Метод минимизации, использующий операцию растяжения пространства в направлении разности двух последовательных градиентов. Кибернетика. 1971. 3. C. 51–59. https://doi.org/10.1007/BF01070454

       10.     Шор Н.З. Методы минимизации недифференцируемых функций и их приложения. К.: Наук. думка, 1979. 199 с.

       11.     Лаптин Ю.П., Бардадым Т.А. Проблемы определения коэффициентов точных штрафных функцій. Кибернетика и системный анализ. 2019. 3. С. 64–79. https://doi.org/10.1007/s10559-019-00147-2

       12.     Zhuravlev Y.I., Laptin Y.P., Vinogradov A.P., Zhurbenko N.G., Lykhovyd O.P., Berezovskyi O.A. Linear classifiers and selection of informative features. Pattern Recognition and Image Analysis. 2017. 27 (3). Р. 426–432. https://doi.org/10.1134/S1054661817030336

       13.     Новоселова Н.А., Том И.Э. Алгоритм ранжирования признаков для обнаружения биомаркеров в данных генной экспрессии. Искусственный интеллект. 2013. 3. C. 58–68.

       14.     Новоселова Н.А., Скобцов В.Ю., Том І.Е., Бардадим Т.О., Горбачук В.М., Осипенко С.П. Сучасні можливості розробки та організації інтелектуальних аналітичних систем. Матеріали IX Всеукраїнської науково-практичної конференції: «Глушковські читання», 18 грудня 2020 р. Київ: М-во освіти і науки України, Київський нац. ун-т імені Тараса Шевченка, 2020. С. 113116.

       15.     Bardadym T.O., Gorbachuk V.M., Novoselova N.A., Osypenko S.P., Skobtsov V.Yu., Intelligent analytical system as a tool to ensure the reproducibility of biomedical calculations. Artificial Intelligence. 2020. 3. P. 6578.

       16.     Ritz C., Strebig J.C., Ritz M.C. Package ‘drc’. Creative Commons: Mountain View, CA, USA. 2016.

       17.     DeLean A., Munson P., Rodbard D. Simultaneous analysis of families of sigmoidal curves: application to bioassay, radioligand assay, and physiological dose-response curves. American Journal of Physiology-Endocrinology and Metabolism. 1978. 235 (2). P. E97.

       18.     Sørensen T. A method of establishing groups of equal amplitude in plant sociology based on similarity of species and its application to analyses of the vegetation on Danish commons. Biologiske Skrifter. 1948. 5. P. 134.

 

 

ISSN 2707-451X (Online)

ISSN 2707-4501 (Print)

Попередня  |  ПОВНИЙ ТЕКСТ  |  Наступна

 

 

 

© Вебсайт та оформлення. 2019-2022,

Інститут кібернетики імені В.М. Глушкова НАН України,

Національна академія наук України.