Персона: Храпов, Александр Сергеевич
Загружается...
Email Address
Birth Date
Научные группы
Организационные подразделения
Организационная единица
Институт интеллектуальных кибернетических систем
Цель ИИКС и стратегия развития - это подготовка кадров, способных противостоять современным угрозам и вызовам, обладающих знаниями и компетенциями в области кибернетики, информационной и финансовой безопасности для решения задач разработки базового программного обеспечения, повышения защищенности критически важных информационных систем и противодействия отмыванию денег, полученных преступным путем, и финансированию терроризма.
Статус
Фамилия
Храпов
Имя
Александр Сергеевич
Имя
8 results
Результаты поиска
Теперь показываю 1 - 8 из 8
- ПубликацияТолько метаданныеPresentation of the PaaS System State for Planning Containers Deployment Based on ML-Algorithms(2020) Rovnyagin, M. M.; Hrapov, A. S.; Ровнягин, Михаил Михайлович; Храпов, Александр Сергеевич© 2020 IEEE.In modern world one of the most important technologies is virtualization. And one of the most promising types of virtualization is OS-level virtualization, also known as containerization. Its use greatly simplifies the task of deploying stable computing system services that are performed on suitable hardware depending on the current situation.Various additional tools are used to automating the process of managing the location of the containers.However, most existing container management tools provide only the simplest behaviors. One of the more complex tasks that cannot be solved by such tools can be represented as follows: There are several virtualized entities (containers) that can be executed on cluster nodes. Each entity contains a task that consumes a certain amount of computing resources. It is necessary to distribute entities among nodes in such a way that each of them has enough resources.This paper proposes a more complex methodology that solves the proposed problem of service management using machine learning methods.
- ПубликацияТолько метаданныеML-based Heterogeneous Container Orchestration Architecture(2020) Rovnyagin, M. M.; Hrapov, A. S.; Guminskaia, A. V.; Orlov, A. P.; Ровнягин, Михаил Михайлович; Храпов, Александр Сергеевич© 2020 IEEE.In recent years, the popularity of containerization technologies has been growing. When they are used, computational tasks are placed in lightweight containers that can be easily moved between different computing nodes. Containerization using Docker is especially popular at the moment. The use of these solutions opens up enormous opportunities for building distributed and cluster computing systems. To maintain the operability of such systems, special tools are used, and one of them is an orchestrator. However, existing orchestrators are focused on not-so-large computing systems in which performance can be maintained by simply moving computational tasks from non-working nodes to working ones. In large systems with many nodes and a huge number of computational tasks, it is also necessary to take into account the uneven consumption of resources by various tasks. This article proposes a system architecture that can solve the problem of container orchestration using machine learning methods and given the uneven consumption of resources by.
- ПубликацияТолько метаданныеAlgorithm of ML-based Re-scheduler for Container Orchestration System(2021) Rovnyagin, M. M.; Dmitriev, S. O.; Hrapov, A. S.; Kozlov, V. K.; Ровнягин, Михаил Михайлович; Дмитриев, Святослав Олегович; Храпов, Александр Сергеевич© 2021 IEEE.Due to the gradual growth of the number of companies that use cloud technologies, there is an increase in the number of enterprises deploying and using an internal private cloud. Due to this trend, there is growth of interest in various technologies that ensure the efficiency of the cloud infrastructure. One of such technologies is the orchestration technology, the core of which is a scheduler-a special component that allows efficiently distribute virtualized entities with running tasks across computational nodes. However, schedulers usually only plan the locations schemes of tasks that was not started yet; often they do not plan to make changes to the arrangement of already running entities. To create the plan of changing the state of already running tasks deschedulers and reschedulers are additionally used. This article proposes a solution using a Reinforcement Learning based rescheduler and an algorithm of its preparation.
- ПубликацияТолько метаданныеDatabase Storage Format for High Performance Analytics of Immutable Data(2021) Rovnyagin, M. M.; Dmitriev, S. O.; Hrapov, A. S.; Maksutov, A. A.; Turovskiy, I. A.; Ровнягин, Михаил Михайлович; Дмитриев, Святослав Олегович; Храпов, Александр Сергеевич; Максутов, Артем Артурович© 2021 IEEE.Most of modern database management systems offer a set of data manipulation operations, which strictly limits the available methods of data storage optimization. This article describes a database storage format that provides a low latency access to stored data with highly optimized sequential data extraction process by prohibiting any data modification after initially loading the data. The current study is aimed at developing a database management system that is suitable for high performance analytics of immutable data and performs better than database management systems with wider applicability. This paper includes developed data storage formats, data load and extraction algorithms and performance measurements.
- ПубликацияТолько метаданныеМЕТОДЫ И СРЕДСТВА ОРКЕСТРАЦИИ КОНТЕЙНЕРОВ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ ОРГАНИЗАЦИИ АДАПТИВНЫХ КЛАСТЕРНЫХ ИНФРАСТРУКТУР(2019) Храпов, А. С.; Храпов, Александр Сергеевич; Ровнягин Михаил МихайловичВыпускная квалификационная работа на тему «Методы и средства оркестрации контейнеров с использованием алгоритмов машинного обучения для организации адаптивных кластерных инфраструктур». Пояснительная записка содержит 92 страницы, 4 части, 19 рисунков, 5 формул, 3 таблицы, 30 источников. В приложениях приведены исходный код программного обеспечения разработанной системы. Ключевые слова: DOCKER, КЛАСТЕР, КОНТЕЙНЕР, PYTHON, PROMETHEUS, CADVISOR, KERAS. Диссертация посвящена разработке и реализации архитектуры системы, осуществляющей оркестрации. Docker контейнеров. Пояснительная записка состоит из четырех частей, описывающих проделанную работу. В первой главе рассмотрены основные инструменты, использующиеся при управлении виртуальными контейнерами и мониторинге их состояния на кластере. Во второй главе выполнен обзор различных моделей машинного обучения, а также предложена реализация метода оркестрации, использующего алгоритмы машинного обучения. В третьей главе описана архитектура системы в целом, а также подробно описаны основные составляющие системы, разработан механизм сбора метрик с контейнеров и вычислительных узлов, представлен процесс взаимодействия подсистем между собой. В четвертой главе описаны инструменты, использовавшиеся для создания реализации и показан процесс реализации системы. Продемонстрированы результаты и характеристики работающей системы.
- ПубликацияТолько метаданныеРАЗРАБОТКА И АНАЛИЗ АЛГОРИТМОВ ПЕРЕДАЧИ И ХРАНЕНИЯ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ АЛГОРИТМОВ СТОХАСТИЧЕСКОГО ПРЕОБРАЗОВАНИЯ ДАННЫХ В ЗАДАЧАХ ОРГАНИЗАЦИИ ОБЛАЧНЫХ ХРАНИЛИЩ(2017) Храпов, А. С.; Храпов, Александр Сергеевич; Максутов А. А.Пояснительная записка: 74 страницы, 3 части, 20 рисунков, 1 таблица, 16 источников, 1 приложение. Дипломный проект посвящён вопросам защиты от несанкционированного доступа к информации, хранящейся в недоверенном облачном хранилище. Первая часть пояснительной записки к дипломному проекту посвящена обзору существующих способов построения систем, осуществляющих хранение пользовательских данных в облачном хранилище в защищённом виде. В конце части описываются преимущества и недостатки каждого рассмотренного способа. Вторая часть посвящена процессу разработке структуры собственной системы, осуществляющей хранение информации в недоверенном облачном хранилище. Третья часть посвящена реализации, тестированию и оценке эффективности разработанной системы.
- ПубликацияТолько метаданныеOrchestration of CPU and GPU Consumers for High-Performance Streaming Processing(2021) Rovnyagin, M. M.; Gukov, A. D.; Timofeev, K. V.; Hrapov, A. S.; Mitenkov, R. A.; Ровнягин, Михаил Михайлович; Храпов, Александр Сергеевич© 2021 IEEE.In the modern world, there are many systems using streaming data processing. Often, these systems use CPU and GPU devices in their calculations. It should be noted that such systems can fail for various reasons. Therefore, to optimize throughput, system designers need to determine in advance how many CPUs and GPUs to configure the system with. In our article, we present a possible architecture of such a system and present what methods can be used to calculate the optimal number of CPUs and GPUs with optimal throughput and taking into account other factors, for example, the cost of devices and the failure rate of the environment.
- ПубликацияОткрытый доступUsing the machine learning methods for resource management of high availability broadcasting containerized system(2020) Aminova, A.; Orlov, A.; Rovnyagin, M.; Guminskaia, A.; Chernilin, F.; Hrapov, A.; Ровнягин, Михаил Михайлович; Храпов, Александр Сергеевич© 2020 The Authors. Published by Elsevier B.V.Most of today applications are built on a micro-service architecture, where a large application is divided into different functional parts that can be deployed on many containers that enable good load balancing. Container management tools need system load forecasting means to timely balance system load. It is an important problem for systems with direct streams of popular events which periodically have large splashes of a load. In this paper, we propose the load prediction method for such systems in two cases: Usual and broadcasting workload. Also, we propose an architecture of adaptive infrastructure using our load forecasting method.