Интеграция вычислительных ресурсов гетерогенных мобильных устройств тема диссертации и автореферата по ВАК РФ 00.00.00, кандидат наук Балабаев Сергей Андреевич

• Балабаев Сергей Андреевич
• кандидат наук
• 2026

Оглавление диссертации кандидат наук Балабаев Сергей Андреевич

Обозначения и сокращения

Введение

ГЛАВА 1. Способы повышения производительности вычислительных устройств

1.1 Этапы развития вычислительной техники

1.2 Многопроцессорные системы

1.3 Распределенные системы

1.4 Смартфоны в качестве вычислительной системы

1.5 Выводы

ГЛАВА 2. Способы интеграции вычислительных ресурсов гетерогенных

мобильных устройств

2.1 Узлы вычислительных систем

2.1.1 Персональные компьютеры

2.1.2 Микрокомпьютеры

2.1.3 Телевизионные приставки

2.1.4 Смарт-часы

2.1.5 Смартфоны

2.2 Сравнение узлов вычислительных систем

2.3 Существующие способы интеграции вычислительных устройств

2.3.1 Распределенная система на основе персональных компьютеров44

2.3.2 Распределенная система на основе Raspberry Pi

2.3.3 Распределенная система на основе смартфонов

2.3.4 Сравнение рассмотренных проектов

2.4 Выводы

ГЛАВА 3. Разработка программного комплекса HGRID

3.1 Оценка вычислительных возможностей Android смартфонов

3.2 Особенности работы с гетерогенными кластерами

3.2.1 Пропускная способность сети

3.2.2 Потребление электроэнергии

3.2.3 Необходимость охлаждения

3.3 Методика оценки вычислительных возможностей мобильных устройств

3.4 Архитектура программного комплекса НОКГО

3.4.1 Работа процесса клиента на серверной части

3.4.2 Взаимодействие клиент-сервер

3.4.3 Особенности реализации графического интерфейса

3.5 Разработка монитора состояния узла

3.5.1 Приложения для анализа производительности устройства

3.5.2 Получение характеристик устройства

3.5.3 Передача данных на сервер

3.5.4 Система мониторинга состояния узлов НОКГО

3.6 Разработка балансировщика нагрузки узлов

3.7 Разработка приложения клиента для смартфона

3.7.1 ЛррОпё

3.7.2 ТегшОпё

3.8 Выводы

ГЛАВА 4. Практическое применение НОЯГО

4.1 Решение задачи одномерной минимизации функции

4.2 Решение задачи федеративного обучения нейронных сетей

4.2.1 Федеративное обучение нейронных сетей

4.2.2 Применение НОЯГО для обучения нейронных сетей

4.3 Выводы

Заключение

Список литературы

Приложение 1 Акт внедрения результатов работы

Обозначения и сокращения

ПО Программное обеспечение

ОС Операционная система

HGRID Домашний GRID

GRID Сетевые вычисления, грид-вычисления

MPI Message Passing Interface

Введение диссертации (часть автореферата) на тему «Интеграция вычислительных ресурсов гетерогенных мобильных устройств»

Введение

Актуальность проблемы. Бурное развитие вычислительной техники в последние 80 лет можно считать драйвером прогресса практически во всех областях деятельности человека. Сегодня возможно решать даже такие задачи, которые ранее требовали десятилетий вычислений. Конечно, для этого используют мощные вычислительные системы. К таким задачам относятся: биологические - моделирование пространственной структуры крупных и сложных белков и белковых комплексов, астрофизические - изучение явлений, происходящих на поверхности Марса и в глубинах космоса, естественнонаучные - поиск новых материалов, математические - решение задач большой размерности из области комбинаторики.

Современная распределенная вычислительная система это мощный, но крайне дорогой инструмент исследований, объединяющий ресурсы сотен тысяч узлов. Однако, если обратиться к совсем недавней истории, то возможно увидеть, что наряду с мощными распределенными вычислительными системами широко использовались и небольшие кластеры. Именно они стали той средой, благодаря которой сформировалось новое поколение параллельных программистов. А ведь вычислительная мощность процессора узла таких кластеров значительно ниже, чем мощность многоядерных микропроцессоров современных смартфонов и других мобильных устройств.

Интерес к их использованию в качестве узлов вычислительной среды в архитектурах 1оТ и добровольных вычислениях неуклонно растет, но эффективных универсальных решений пока не найдено. Это определяет актуальность проводимых исследований, направленных на разработку новых подходов к интеграции ресурсов гетерогенных мобильных устройств.

Целью проводимых исследований является разработка методов интеграции вычислительных ресурсов существенно гетерогенных мобильных устройств.

Для достижения поставленной цели в работе решены следующие основные задачи:

1. Проведён сравнительный анализ методов интеграции вычислительных ресурсов.

2. Произведена оценка вычислительных возможностей мобильных устройств.

3. Разработано приложение для интеграции вычислительных ресурсов мобильных устройств и мониторинга их состояния.

4. Произведена экспериментальная проверка работоспособности и оценка эффективности разработанного приложения.

Объектом исследования являются методы интеграции вычислительных ресурсов.

Предметом исследования являются методы повышения эффективности гетерогенных GRID систем из мобильных узлов.

Методы исследования: объектно-ориентированное программирование, теория вероятности, корреляционный анализ и планирование эксперимента.

Научная новизна результатов работы.

1. Предложен и научно обоснован метод интеграции ресурсов мобильных устройств на разных платформах в единую вычислительную среду -HGRID, основанный на том, что исполняемый код задачи передается узлу в виде ар£-приложения, который позволяет проводить вычисления в гетерогенных средах с производительностью узлов, отличающейся в десятки и сотни раз, и обеспечивает балансировку их нагрузки за счёт применения в качестве оценки вычислительной мощности узла, характеристику, определяющуюся временем выполнения нагрузочной задачи.

2. Разработана методика, позволяющая получить численную характеристику производительности разнородных мобильных узлов, определяющуюся временем выполнения нагрузочной задачи и прогнозировать потенциальный вклад каждого узла в интегрированную систему и обеспечивать сбалансированное распределение нагрузки.

3. Разработана архитектура программного комплекса, реализующего предложенный метод интеграции ресурсов мобильных устройств в вычислительную систему - HGRID, включающая серверную и клиентскую

компоненты, монитор состояния узлов и балансировщик нагрузки, и обеспечивающая проведение распределенных вычислений и мониторинг состояния узлов в существенно гетерогенной среде, состоящей из мобильных устройств.

4. Получены результаты экспериментов по оценке вычислительных возможностей мобильных устройств, позволившие определить их основные особенности, влияющие на эффективность работы в интегрированной среде и прогнозировать зависимость от внешних условий и нагрузки.

Практическая значимость работы. Предложенный метод организации гетерогенных вычислительных сред позволяет использовать ресурсы разнородных мобильных устройств для непосредственной реализации ресурсоемких приложений или для повышения производительности стационарных вычислительных систем.

Достоверность полученных результатов и функциональность разработанной HGRID системы базируется на корректном использовании методов исследования и подтверждается экспериментальными результатами. Внедрение результатов исследований.

Разработанный в диссертации метод интеграции вычислительных ресурсов мобильных устройств использован для объединения в единую среду управления ранее созданных подсистем управления в Детском Технопарке «СМАРТ-ПАРК». Акт внедрения представлен в приложении.

Положения и выводы, выносимые на защиту:

1. Результаты сравнительного анализа методов интеграции вычислительных ресурсов.

2. Методика оценки вычислительных возможностей мобильных устройств и реализующее её приложение.

3. Архитектура программного комплекса для интеграции ресурсов мобильных устройств в вычислительную систему HGRID, обеспечивающая непосредственный запуск на узлах гетерогенной среды приложения, параметрическую балансировку нагрузки и мониторинг состояния узлов.

4. Результаты вычислительных экспериментов по оценке производительности HGRID, подтверждающие эффективность разработанного приложения. Апробация работы. Результаты диссертационных исследований были представлены и обсуждались на следующих научных конференциях:

1. 28-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2021» МИЭТ. 2021

2. 29-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2022» МИЭТ. 2022

3. 30-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2023» МИЭТ. 2023

4. 31-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2024» МИЭТ. 2024

5. IV научно-практическая конференция с международным участием «Актуальные проблемы информатизации в цифровой экономике и научных исследованиях - 2023», МИЭТ, 2023

6. IV международная научно-техническая конференция «Национальный суперкомпьютерный форум», Переславль-Залесский, 2023

7. Tree of SCO-Computing Power Technology Training, Shanghai, 2023

8. XIX международная научно-практическая конференция «Вызовы глобализации и развитие цифрового общества в условиях новой реальности», 2024

9. XXVIII международная научно-практическая конференция «Современные тенденции развития науки и мирового сообщества в эпоху цифровизации», 2024

10.IX международная научная конференция «Конвергентные когнитивно-информационные технологии», МГУ, 2024

11. IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (ElCon-2025), LETI, Saint Petersburg, 2025.

Публикации автора по теме диссертации. По материалам диссертации опубликовано 3 тезиса докладов, 10 статей и 1 свидетельство о государственной

регистрации программы для ЭВМ, в том числе 4 в журналах, входящих в перечень ВАК.

Структура и объём диссертационной работы. Рукопись диссертационной работы, общим объёмом 125 страниц, состоит из введения, четырёх глав, заключения, списка литературы из 76 источников и приложения.

ГЛАВА 1. Способы повышения производительности вычислительных устройств

В современном мире невозможно представить жизнь человека без вычислительной техники. Персональные компьютеры, мобильные телефоны, смарт-часы, «умные» холодильники, чайники, пылесосы - все перечисленные устройства стали частью повседневной жизни каждого из нас. Согласно исследованиям Аналитического центра НАФИ в результате опроса 1600 человек было получено, что в день в среднем человек использует мобильные устройства 5 часов в рабочее время и не меньше 3 часов по личным делам [1].

Многие устройства упрощают жизнь людей, помогая выполнять рутинную работу. Современные вычислительные системы способны решать за человека сложные математические задачи, требующие больших временных затрат.

Однако, если обратиться в прошлое, то еще 100 лет назад не было таких понятий, как персональный компьютер, мобильный телефон. Первые электронные вычислительные машины, способные решать разнообразные задачи появились только в 1940-х годах. Историю развития ЭВМ до указанной даты возможно разделить на несколько этапов.

1.1 Этапы развития вычислительной техники

К первому этапу относят все домеханические машины, которые создавались еще 40-30 тысяч лет до нашей эры [2]. Их основным предназначением было проведение подсчетов. Одной из первых сохранившихся до наших дней «домеханических машин» была счетная доска - «абак», изготовленная в Древней Греции и модернизированная в Древнем Риме уже в V веке нашей эры. Её устройство напоминало счёты. Позднее появились разновидности подобных устройств в Китае, Японии и других странах.

В XVII веке развитие получила механика, что повлияло на появление более совершенных вычислительных устройств и ознаменовало переход ко второму этапу развития - Механическому. Новые машины позволили автоматически переносить старший разряд при вычислениях, что ускорило их работу. Одной из первых механических машин была вычислительная машина Шиккарда,

позволяющая проводить арифметические операции над 6-разрядными числами. Однако, такая машина была создана в малом числе экземпляров и не предполагала тиражирование. Далее за ней последовали проекты вычислительных машин Паскаля и Лейбница. Их устройства были очень сложны в изготовлении и очень дороги, поэтому также не получили распространение.

В XIX веке английский ученый Чарльз Бэббидж предложил проект разностной машины, которая кроме основных арифметических операций предполагала приближенное вычисление логарифмов и тригонометрических функций. Во время работы над ней возникла идея аналитической машины -универсального устройства, способного проводить вычисления, которые были записаны в виде программ на перфокарты. Однако, из-за большой сложности проекта он не был реализован.

На следующий этап развития вычислительной техники повлияли исследования в области электричества - они привели к появлению первых электромеханических приборов. Электромеханический период считается самым маленьким в истории развития вычислительной техники и охватывает конец XIX и первую половину XX века. Одной из первых вычислительных машин этого этапа был счетно-аналитический комплекс, разработанный Германом Холлеритом для автоматизации переписи населения. Также к указанному этапу можно отнести шифровальную машину «Энигма», использовавшуюся для передачи секретных сообщений во Вторую мировую войну.

Механические части вычислительных машин занимали большое пространство и замедляли общий ход работы. Поэтому переход от электромеханического этапа к электронному послужил большим скачком в развитии вычислительной техники.

Традиционно, вычислительные устройства, разработанные на электронном этапе развития вычислительной техники разделяют на 5 поколений.

ЭВМ первого поколения характеризуются наличием электронных ламп, отсутствием операционных систем; они обладали большими габаритами (машины могли достигать более 15 метров в длину и 2,5 метров в высоту [3]) и

низким быстродействием (5-30 тысяч операций в секунду). К вычислительной технике первого поколения относят такие машины, как ENIAC, Марк I, IBM 701, МЭСМ, М-1 и другие. Основным практическим применением этих машин были научные вычисления, которыми занимались специально обученные для этого люди.

Переход ко второму поколению ЭВМ связан с появлением первых транзисторов в начале 50-х годов. Обладающие меньшей ценой, меньшими размерами, но большей надежностью, они стали основой для элементной базы новых вычислительных машин. Габариты устройств стали уменьшаться, а надежность и, как следствие, популярность - увеличиваться. Новые ЭВМ стали распространяться по всему миру - их стали использовать не только в специализированных центрах, но в бизнесе и научных центрах. Для машин стали разрабатываться специальные языки программирования и компиляторы, способные преобразовывать код, понятный для человека в программы, «понятные» компьютерам. Появление кода, способного запускаться на различных устройствах дало толчок к развитию первых операционных систем. К вычислительной технике второго поколения возможно отнести IBM 7090, БЭСМ-6 и другие.

Следующим научным прорывом, позволившим перейти к новому поколению устройств, стало изобретение и распространение интегральных схем. Габариты ЭВМ стали сопоставимы с габаритами современных ПК, скорость работы достигла 10 млн операций в секунду. Вычислительные машины стали распространяться повсеместно и появляться в домах обычных пользователей. Для них разрабатывается специальное ПО, позволяющее упростить их взаимодействие с устройством - доступный графический интерфейс. Примером машин третьего поколения стало семейство компьютеров IBM/360 и ЕС ЭВМ.

Кроме повседневного использования, вычислительные устройства продолжали использоваться в научных и исследовательских целях. Для этого было необходимо повышать вычислительные способности устройств. На этом этапе стали появляться первые суперкомпьютеры. Одним из них стал Cray-1. Его

особенностью стало использование конвейерного процессора, позволяющего производить несколько вычислений за один такт. Производительность суперкомпьютера составила 160 MFLOPS.

Тем временем прогресс не стоял на месте - объединив все компоненты, из которых состоит центральный процессор на одном кристалле, был получен первый микропроцессор, а увеличение числа компонентов на одной интегральной схеме привело к появлению больших и сверхбольших интегральных схем. Это послужило толчком к переходу на четвертый этап развития ЭВМ. На этом этапе компьютеры окончательно стали массовыми и появлялись во многих домах.

В таблице 1 представлены основные этапы развития ЭВМ и их основные характеристики.

Таблица 1. Поколения ЭВМ

Параметры сравнения Поколения ЭВМ

Первое Второе Третье Четвертое

Период времени 1946-1959 г. 1960-1969 г. 1979-1970 г. С 1980 г.

Элементная база Электронны е лампы Полупроводн ики Интегральны е схемы Большие интегральные схемы

Основной тип ЭВМ Большие Большие Малые (Мини) Микро

Быстродействие 10-20 тыс. (опер/сек) 1000 тыс. (опер/сек) 10 млн. (опер/сек) 100 млн. (опер/сек)

Объем ОЗУ 100 Кбайт 1 Мбайт 10 Мбайт 1 Гбайт

Из таблицы видно, что с течением времени габариты устройств уменьшались, а их быстродействие увеличивалось. Это связано с техническим прогрессом и новыми открытиями в области микроэлектроники. Однако, в настоящее время темпы развития замедлились, был достигнут физический предел размещения числа компонентов на одной интегральной схеме. Это привело к переходу на пятое поколение ЭВМ.

В связи с тем, что уплотнять расположение компонентов на горизонтальной поверхности стало затруднительным, учеными была предпринята попытка вертикального расположения элементов. В 2019 году компанией Intel была представлена новая технология Foveros. Она позволяет размещать компоненты

кристалла вертикально, что отличается от традиционного метода 2D-упаковки, где все компоненты располагаются на одной плоскости. Схема упаковки изображена на рисунке 1.

DRAM DRAM DRAM

DRAM

Рис. 1 Схема упаковки компонентов кристалла

Одним из главных преимуществ этого подхода является возможность объединения компонентов, изготовленных по разным технологическим процессам. Однако, одна из главных трудностей, с которой столкнулись разработчики Foveros, связана с теплоотводом. В традиционных 2D-чипах тепло рассеивается через поверхность, тогда как в 3D-структуре оно концентрируется в ограниченном объёме, что приводит к перегреву и требует более сложных систем охлаждения.

Однако, больших прорывов в повышении производительности процессоров и улучшения их характеристик за последние годы не наблюдается. Поэтому необходимы новые подходы для увеличения мощности и производительности устройств.

1.2 Многопроцессорные системы

Простейшим решением обозначенной выше проблемы стало одновременное использование нескольких вычислительных устройств. Очевидно, что при идеальных условиях использование одного дополнительного

компьютера, аналогичного применяемому в вычислительном системе может ускорить вычисления в 2 раза. Такой подход приводит к появлению систем параллельной обработки данных. Согласно классификации Флинна такие системы возможно разделить на несколько типов, в зависимости от количества команд, выполняемых за один такт и количества инструкций.

В случае, если за один такт выполняется одна команда, соответствующая одной инструкции, то такие вычислительные устройства относят к обычным процессорам, без параллельной обработки данных.

Если за один такт происходит вычисление одной инструкции процессора, но над разным набором данных, то такую архитектуру называют конвейерной. Такие процессоры, использовались в суперкомпьютерах линейки Cray и используются в настоящие дни во многих персональных ПК.

В случае, когда за один такт выполняется несколько команд, каждая из которых соответствует отдельной инструкции, то система является многопроцессорным компьютером. В таких устройствах содержится несколько вычислительных процессоров, каждый из которых независимо друг от друга может выполнять команды [4]. На рисунке 2 схематично представлена такая система.

Рис. 2 Многопроцессорная система Её особенностью является наличие единой основной памяти, с которой работает каждый из процессоров. При небольшом числе процессоров такой подход является эффективным, однако с увеличением их числа скорость работы системы падает. Для решения проблемы используются вычислительные системы с разделяемой памятью, где каждая вычислительная единица содержит свою

память и систему ввода/вывода (рисунок 3). Такая архитектура характерна для распределенных систем.

Рис. 3 Вычислительные системы с разделяемой памятью

1.3 Распределенные системы

Распределенная вычислительная система (РВС) — это набор соединенных каналами связи независимых компьютеров, которые с точки зрения пользователя программного обеспечения выглядят единым целым [5].

Таким образом на распределенных вычислительных системах возможно выполнять задачи параллельно [6]. На рисунке 4 представлен пример схемы распределенной системы.

Каждое из вычислительных устройств распределенной системы называется узлом. Число узлов может быть различным в зависимости от построения системы. Связь между узлами может быть настроена различными способами, например с помощью сетевых протоколов.

Рис. 4 Распределенная система

Существуют множество различных вариантов построения распределенной системы. Одними из самых популярных на данный момент являются грид-системы. Грид-вычисления — это форма распределённых вычислений, в которой «виртуальный суперкомпьютер» представлен в виде, соединённых с помощью сети, слабосвязанных гетерогенных компьютеров, работающих вместе для выполнения большого количества заданий. Построение подобных систем возможно на базе различных вычислительных устройств [7, 8]. В процессе работы узлы могут отключаться и присоединяться, изменяя тем самым нагрузку в системе. Для того, чтобы распределенная система соответствовала технологии грид, необходимо выполнение трех условий:

1. Гетерогенность. Грид может состоять из узлов с различными параметрами и характеристиками.

2. Масштабируемость. Грид может состоять из сколь угодно большого числа вычислительных узлов, и соответственно задача должна распределяться под каждый из них.

3. Приспособляемость. Существует большая вероятность ошибок при работе с ресурсами некоторых из вычислительных узлов. Их некорректная работа не должна повлиять на общую работу системы.

В случае построения масштабной распределенной системы число узлов может измеряться тысячами, и цена таких систем будет очень высокой. Для построения экономного варианта распределенной системы, позволяющей объединять широко распространенное аппаратное обеспечение, в 80-90-е годы были разработаны несколько проектов, такие как Condor, Beowulf, Berkeley NOW, Globus Toolkit.

Проект Condor (позже переименованный в HTCondor) — это система управления распределенными вычислениями, разработанная в начале 1980-х годов в Университете Висконсин-Мэдисон. Condor позволяет эффективно использовать вычислительные ресурсы сети компьютеров, превращая их в единый вычислительный кластер для выполнения сложных задач. Condor распределяет задачи по компьютерам в сети, оптимизируя загрузку и использование ресурсов. Он может автоматически приостанавливать и перемещать задачи, чтобы минимизировать простой и максимизировать производительность. Condor поддерживает работу на компьютерах с различными операционными системами и архитектурами, что позволяет использовать широкий спектр оборудования. Пользователи отправляют задачи в очередь Condor, и система автоматически распределяет их по доступным ресурсам. Проект позволяет устанавливать приоритеты выполнения задач и определять правила, которые управляют распределением ресурсов, например, отдавать предпочтение задачам с высоким приоритетом или использовать ресурсы только в нерабочее время. Система поддерживает сохранение состояния задач, что позволяет их приостанавливать и возобновлять выполнение на другом узле без потери уже выполненной работы. Condor может интегрироваться с другими системами управления рабочими нагрузками и кластерными системами, такими как HTCondor-G для работы с сетями GRID. Проект Condor активно применялся в научных вычислениях в области биоинформатики и физики.

Проект Beowulf — это концепция создания высокопроизводительных вычислительных кластеров из стандартных, коммерчески доступных компонентов. Он был разработан в середине 1990-х годов сотрудниками Центра

космических полетов имени Годдарда при NASA, включая Томаса Стерлинга и Дональда Беккера.

Вместо дорогостоящих специализированных суперкомпьютеров, кластеры Beowulf создаются из обычных персональных компьютеров или серверов, соединенных через стандартные сети (например, Ethernet). На Beowulf-кластерах установлена операционная система Linux, что делает их более простыми в настройке и эксплуатации. Кластеры Beowulf нашли широкое применение в научных исследованиях, таких как обработка данных, моделирование физических процессов, биоинформатика и многие другие области, где требуются большие вычислительные мощности. В качестве недостатков проекта можно указать сложность масштабируемости системы, необходимость настройки отказоустойчивости и требование квалифицированного персонала для установки, настройки и обслуживания системы.

Проект Berkeley NOW (Network of Workstations) — это один из первых и наиболее известных проектов, направленных на использование грида из рабочих станций для высокопроизводительных вычислений. Он был разработан в конце 1990-х годов в Университете Калифорнии в Беркли и представлял собой проект вычислительного кластера из обычных рабочих станций, соединенных стандартной сетью, для выполнения параллельных вычислений.

Berkeley NOW поддерживал работу с гетерогенными узлами, которые были соединены с помощью высокоскоростной локальной сети. В рамках проекта было разработано программное обеспечение, которое позволяло распределять задачи между узлами кластера и обеспечивало эффективное использование вычислительных ресурсов.

NOW использовался для выполнения сложных научных расчетов, таких как моделирование физических процессов и анализ больших данных. Проект позволил исследовать различные аспекты параллельных и распределенных вычислений, включая оптимизацию сетевых протоколов и алгоритмов.

Указанные проекты подчеркивают, что для решения сложных задач возможно применение не больших суперкомпьютеров, а нескольких

маломощных устройств, объединенных в сеть. Обычно, в качестве них выступали рабочие станции, однако в XXI веке с развитием мобильных устройств в качестве узлов стали выступать смартфоны.

1.4 Смартфоны в качестве вычислительной системы

Первоначально предназначенные только для коммуникации, мобильные телефоны превратились в полноценные вычислительные устройства. Количество таких устройств с каждым годом неуклонно растет - на 2025 год в мире насчитывается 7.43 млрд устройств. Согласно исследованиям к 2029 году их число достигнет ~ 8 млрд. В современном мире число мобильных устройств превышает количество всех выпущенных персональных компьютеров и ноутбуков. Одним из первых смартфонов считается выпущенный в 1993 году IBM Simon. Он работал на 16-битном процессоре Vadem VG-230 16 МГц и обладал одним мегабайтом оперативной памяти. Еще одним представителем первых смартфонов был Nokia 7650, обладающий более мощным процессором и большей оперативной памятью, чем предшественник. В начале 2010 г. компания LG представила первый в мире двухъядерный смартфон LG Optimus 2X P990, что положило начало многоядерности в смартфонах [9, 10, 11, 12].

Список литературы диссертационного исследования кандидат наук Балабаев Сергей Андреевич, 2026 год

Список литературы

1. Эксперты оценили проводимое россиянами время за гаджетами // РБК URL: https://www.rbc.ru/technology_and_media/08/06/2021/60be29f89a794715474be 23b (дата обращения: 28.02.2025).

2. Этапы развития ВТ // Информатика URL: https://psk68.ru/files/metod/uchebnik_Informatika/istoria.html (дата обращения: 28.02.2025).

3. Первое поколения ЭВМ 1948-1958 гг. // Кафедра информационных систем URL: https://eti.ksu.edu.kz/departments/kafedra-informacionnyh-sistem/muzej-vychislitelnoj -tehniki/pokoleniya-evm/pervoe-pokoleniya-evm-1948- 1958-gg/ (дата обращения: 28.02.2025).

4. Многопроцессорные системы // Центр Информационных Технологий URL: http://dit. isuct.ru/IVT/B00KS/ARCHITECTURE/arch2/GLAVA_10.HTM (дата обращения: 28.02.2025).

5. Таненбаум Э. Распределенные системы. / Э. Таненбаум. - 3-е изд. - М. : ДМК Пресс, 2021. - 584 с.

6. Косяков М.С. Введение в распределенные вычисления. / М.С. Косяков. -Санкт-Петербург: НИУ ИТМО, 2014. - 155 с.

7. Балабаев С.А, Влияние распределённых вычислений на философские парадигмы // Философия в XXI веке: социально-философские проблемы современной науки и техники : Материалы II Международной научно-практической конференции, МИЭТ, Москва, 2024. С. 19-26

8. Радченко Г.И. Распределенные вычислительные системы. / Г.И. Радченко. -Челябинск: Фотохудожник, 2021. - 184 с.

9. Nenni D., Dingee D. The Origin and Evolution of ARM Processors In Our Devices. / D. Nenni, D. Dingee. - Danville: SemiWiki LLC, 2015. - 270 p.

10. Singh M.P., Jain M.K. Evolution of Processor Architecture in Mobile Phones // International Journal of Computer Applications, Vol. 90, No. 4, 2014. - pp. 3439.

11. Phuc B. H. et al. Enhancing the performance of android applications on multi-core processors by selecting parallel configurations for source codes // 2017 4th NAFOSTED Conference on Information and Computer Science. - IEEE, 2017. -pp. 225-229.

12. Wen H. L. et al. Pats: A parallel gui testing framework for android applications // 2015 IEEE 39Th annual computer software and applications conference. - IEEE, Т.2., 2015. - pp. 210-215.

13. Intel Experience Day 2021 // Youtube URL: https://www.youtube.com/watch?v=VETzK1HsVWE&t (дата обращения: 28.02.2025).

14. Как использовать десктоп без десктопа? Обзор Samsung DeX // Habr URL: https://habr.com/ru/articles/512852/ (дата обращения: 28.02.2025).

15. Hands-on with Linux on Samsung DeX for the Samsung Galaxy Note 9 // XDA URL: https://www.xda-developers.com/hands-on-linux-on-samsung-dex-samsung-galaxy-note-9/ (дата обращения: 28.02.2025).

16. Linux on DeX Android // Malavida URL: https://www.malavida.com/en/soft/linux-on-dex/android/ (дата обращения: 28.02.2025).

17. Zheng P. Smart Phone and Next Generation Mobile Computing / P. Zheng, L. Ni - Morgan Kaufmann, 2006 - 350 pp.

18. Das T. et al. PRISM: platform for remote sensing using smartphones // Proceedings of the 8th international conference on Mobile systems, applications, and services. - 2010. - pp. 63-76.

19. Tang J. et al. PE-FedAvg: A Privacy-Enhanced Federated Learning for Distributed Android Malware Detection //2023 IEEE Intl Conf on Parallel & Distributed Processing with Applications, Big Data & Cloud Computing, Sustainable Computing & Communications, Social Computing & Networking (ISPA/BDCloud/SocialCom/SustainCom). - IEEE, 2023. - pp. 474-481.

20. Takawale H. C., Thakur A. Talos app: on-device machine learning using tensorflow to detect android malware //2018 fifth international conference on

Internet of Things: systems, management and security. - IEEE, 2018. - pp. 250255.

21. Seppala S. Performance of neural network image classification on mobile CPU and GPU. - 2018. - 87 p.

22. Chen D. et al. Fs-real: Towards real-world cross-device federated learning //Proceedings of the 29th ACM SIGKDD Conference on Knowledge Discovery and Data Mining. - 2023. - pp. 3829-3841.

23. Aljohani M., Alam T. Design an M-learning framework for smart learning in ad hoc network of Android devices /2015 IEEE International Conference on Computational Intelligence and Computing Research (ICCIC). - IEEE, 2015. -pp. 1-5.

24. Salem H. Distributed computing system on a smartphones-based network //Software Technology: Methods and Tools: 51st International Conference, TOOLS 2019, Innopolis, Russia, October 15-17, 2019, Proceedings 51. -Springer International Publishing, 2019. - pp. 313-325.

25. Yao Y et al. Towards edge-enabled distributed computing framework for heterogeneous android-based devices //2022 IEEE/ACM 7th Symposium on Edge Computing (SEC). - IEEE, 2022. - pp. 531-536.

26. Kurochkin I. et al. Using mobile devices in a voluntary distributed computing project to solve combinatorial problems //Supercomputing: 7th Russian Supercomputing Days, RuSCDays 2021, Moscow, Russia, September 27-28, 2021, Revised Selected Papers 7. - Springer International Publishing, 2021. - С. 525-537.

27. Курочкин И. И., Долгов А. А. Балансировка нагрузки в грид-системах из персональных устройств на платформе BOINC. / XIV Всероссийская мультиконференция по проблемам управления МКПУ-2021, материалы XIV мультиконференции: в 4 т.. Том 2. Ростов-на-Дону, 2021, с. 108-111.

28. Балабаев С. А., Лупин С. А. Оценка вычислительных возможностей мобильных устройств на платформе ОС Аврора //Микроэлектроника и информатика-2023, 2023, с. 51-56.

29. Pramanik P. K. D., Pal S., Choudhury P. Mobile crowd computing: potential, architecture, requirements, challenges, and applications //The Journal of Supercomputing. - 2024. - Т. 80. - №. 2. - pp. 2223-2318.

30. Greenhalgh P. Big. little processing with arm cortex-a15 & cortex-a7 //ARM White paper, 2011, vol. 17.

31. Ёранссон А. Эффективное использование потоков в операционной системе Android. Москва: ДМК Пресс, 2018. - 304 с.

32. Современные операционные системы. / Э. Таненбаум, Х. Бос - 4-е изд. -Санкт-Петербург: Питер, 2025. - 1120 с.

33. Калинин А.В., Балабаев С.А. Генератор командного файла для запуска MPI приложений, XXVIII международная научно-практическая конференция «Современные тенденции развития науки и мирового сообщества в эпоху цифровизации», 2024 - с. 69-75

34. Филлипс Б. и др. Android. Программирование для профессионалов. 4-е издание. - Санкт-Петербург: Питер, 2023. - 1070 с.

35. Размер рынка ТВ-приставок // Mordor intelligence URL: https://www.mordorintelligence.com/ru/industry-reports/tv-and-set-top-box-market (дата обращения: 03.03.2025).

36. Лупин С.А. Технологии параллельного программирования. / С.А. Лупин, М.А. Посыпкин - М: ИД "ФОРУМ" - ИНФРА-М, 2024. - 206 с.

37. Подкопаев И. В. Исследование и разработка методов повышения эффективности управления вычислительными мощностями в кластерах рабочих станций: дис. - Московский государственный институт электронной техники, 2010.

38. How to build a Raspberry Pi cluster // Raspberry Pi URL: https://www.raspberrypi.com/tutorials/cluster-raspberry-pi-tutorial/ (дата обращения: 03.03.2025).

39. Govindaraj V. Parallel programming in Raspberry Pi cluster //A Design Project Report, School of Electrical and Computer Engineering, Cornel University. -2016 - 52 p.

40. 12 amazing Raspberry Pi cluster use cases // Turingpi URL: https://turingpi.com/12-amazing-raspberry-pi-cluster-use-cases/ (дата обращения: 03.03.2025).

41. Cheap Supercomputers: LANL has 750-node Raspberry Pi Development Clusters // Anandtech URL: https://www.anandtech.com/show/12037/cheap-supercomputers-lanl-has-750node-raspberry-pi-development-clusters (дата обращения: 03.03.2025)

42. Cass S. Home Clustering Made Easier // IEEE Spectrum, No. 11, 2021. pp. 1619.

43. О SETI@home // SETI@home URL: https://setiathome.berkeley.edu/ (дата обращения: 03.03.2025).

44. Nikitina N. et al. Toward crowdsourced drug discovery: start-up of the volunteer computing project SiDock@ home //Russian Supercomputing Days. - Cham : Springer International Publishing, 2021. - pp. 513-524.

45. Black M., Edgar W. Exploring mobile devices as Grid resources: Using an x86 virtual machine to run BOINC on an iPhone //2009 10th IEEE/ACM International Conference on Grid Computing. - IEEE, 2009. - pp. 9-16.

46. Проект Rosetta@Home // Rosetta@Home URL: https://boinc.ru/proekty/proekt-rosettahome/ (дата обращения: 03.03.2025).

47. Garcia R., Florez-Valencia L., Curiel M. On existing mobile grids for android devices //2016 8th Euro American Conference on Telematics and Information Systems (EATIS). - IEEE, 2016. - pp. 1-7.

48. Van Nieuwpoort R. V. et al. Ibis: an efficient Java-based grid programming environment //Proceedings of the 2002 joint ACM-ISCOPE conference on Java Grande. - 2002. - С. 18-27.

49. Van Nieuwpoort R. V. et al. Ibis: a flexible and efficient Java-based Grid programming environment //Concurrency and Computation: Practice and Experience. - 2005. - vol. 17. - №. 7-8. - С. 1079-1107.

50. Gurusamy V., Nandhini K. Ibis: The new era for distributed computing / International journal of engineering sciences & research technology/ - 2018. - vol 7 - №1 - pp. 61-65.

51. Palmer N. et al. Ibis for mobility: solving challenges of mobile computing using grid techniques //Proceedings of the 10th workshop on Mobile Computing Systems and Applications. - 2009. - pp. 1-6.

52. Bal H. E. et al. Ibis: Real-world problem solving using real-world grids //2009 IEEE International Symposium on Parallel & Distributed Processing. - IEEE, 2009. - С. 1-8.

53. Arslan M. Y. et al. Computing while charging: Building a distributed computing infrastructure using smartphones // Proceedings of the 8th international conference on Emerging networking experiments and technologies. - 2012. - pp. 193-204.

54. Kumar T. U., Senthilkumar R. CWC* — Secured distributed computing using Android devices //2016 International Conference on Recent Trends in Information Technology (ICRTIT). - IEEE, 2016. - pp. 1-7.

55. Busching F., Schildt S., Wolf L. Droidcluster: Towards smartphone cluster computing - the streets are paved with potential computer clusters //2012 32nd International Conference on Distributed Computing Systems Workshops. - IEEE, 2012. - pp. 114-117.

56. Schildt S. et al. Candis: Heterogenous mobile cloud framework and energy costaware scheduling //2013 IEEE International Conference on Green Computing and Communications and IEEE Internet of Things and IEEE Cyber, Physical and Social Computing. - IEEE, 2013. - С. 1986-1991.

57. Балабаев С.А., Лупин С.А., Шакиров Р. Н. Вычислительный кластер на основе смартфонов Android и микрокомпьютеров Raspberry Pi, // International Journal of Open Information Technologies. 2022. Т. 10. № 7. С. 8693.

58. Балабаев С. А., Лупин С. А., Телегин П.Н., Шабанов Б.М. Повышение вычислительной мощности персонального компьютера за счет интеграции с

распределенной системой из смартфонов // Программные продукты и системы - 2024. - Т.37. - №. 4. - С. 504-513.

59. Балабаев С.А., Лупин С.А. Оценка функциональности кластера из персонального компьютера и мобильных устройств / IV научно-практическая конференция с международным участием «Актуальные проблемы информатизации в цифровой экономике и научных исследованиях

- 2023», Зеленоград. 2023 - C. 125

60. Overview of Microsoft HPC Pack 2019 // learn microsoft URL: https://learn.microsoft.com/en-us/powershell/high-performance-computing/overview?view=hpc19-ps (дата обращения: 03.03.2025).

61. Таненбаум Э., Уэзеролл Д. Компьютерные сети. / 5-е-е изд. Москва, Санкт-Петербург, Минск: Питер, 2022. 527-628 с.

62. Балабаев С.А. Оценка вычислительных возможностей мобильных платформ // 28-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2021». 2021.

- C. 128

63. Балабаев С. А., Лупин С. А., Тайк А. М. Система мониторинга для балансировки нагрузки узлов распределенной вычислительной системы на основе смартфонов //International Journal of Open Information Technologies. -2024. - Т. 12. - №. 10. - С. 78-85.

64. Кхаинг М., Лупин С. А., Тху А. Оценка эффективности методов балансировки нагрузки в распределенных вычислительных системах //International Journal of Open Information Technologies. - 2021. - Т. 9. - №2. 11.

- С. 30-36.

65. Балабаев, С. А. Сравнение методов разработки гетерогенного кластера из мобильных устройств // Научные достижения высшей школы 2023 : Сборник статей Международного научно-исследовательского конкурса, Петрозаводск, 16 февраля 2023 года. - Петрозаводск: Международный центр научного партнерства «Новая Наука» (ИП Ивановская И.И.), 2023. -С. 184-191.

66. Балабаев С.А., Гуреев А.В. Сравнение методов разработки гетерогенного кластера из мобильных устройств на платформе Android // 29-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2022». 2022. - C. 84.

67. Балабаев С.А., Лупин С.А. Высокопроизводительные вычисления на кластере из смартфонов, Национальный суперкомпьютерный форум, сборник трудов 4-й международной научно-технической конференции. Курск, 2024 - C. 93-97.

68. Балабаев С.А., Лупин С.А. Ускорение работы метода определения голосов птиц, II Всероссийская научно-практическая конференция «Передовое развитие современной науки как драйвер роста экономики и социальной сферы», 2020- C. 51-56.

69. Балабаев С.А. Анализ и сравнение методов определения голосов птиц. // 27-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика - 2020» - C. 142.

70. Тайк А. М., Лупин С. А., Балабаев С. А., Особенности применения алгоритма полного перебора для решения задачи квадратичного назначения / International Journal of Open Information Technologies. - 2023. - Т. 11, № 7. -С. 60-68.

71. Пуха А.В., Балабаев С.А. Обучение нейронных сетей на грид-системах из смартфонов android, XIX международная научно-практическая конференция «Вызовы глобализации и развитие цифрового общества в условиях новой реальности», 2024 - с. 62-68.

72. McMahan H. B. et al. Federated learning of deep networks using model averaging //arXiv preprint arXiv: 1602.05629. - 2016. - Т. 2. - №. 2.

73. Новикова Е. С., Голубев С. А. Подход к обнаружению вторжений на основе федеративного обучения // Всероссийская научная конференция по проблемам управления в технических системах - Учредители: Санкт-Петербургский государственный электротехнический университет" ЛЭТИ" им. ВИ Ульянова (Ленина). - 2023. - Т. 1. - С. 200-203.

74. Иогансон И. Обзор методов федеративного обучения, Санкт-Петербург, ИТМО, 2023.

75. Beutel D. J. et al. Flower: A friendly federated learning framework. / arXiv:2007.14390v5 - 2022.

76. Балабаев С.А., Балабаев А.А., Применение CoMD систем для обучения нейронных сетей // 31-я Всероссийская межвузовская научно-техническая конференция студентов и аспирантов «Микроэлектроника и информатика -2024» Зеленоград. 2024. - C. 24-28.

Приложение 1 Акт внедрения результатов работы

ййй

If telli

УТВЕРЖДАЮ Проректор МИЭТ по МПВР Добрынина М.В./ «05» марта 2025 г.

АКТ

внедрения результатов диссертационной работы Балабаева Сергея Андреевича

Настоящим актом подтверждается, что метод интеграции вычислительных ресурсов мобильных устройств, предложенный в диссертации Балабаева С А, прошел апробацию в Детском Технопарке «СМАРТ-ПАРК».

Концепция «Умный дом» предполагает использование различных подсистем автоматического управления параметрами окружающей среды. В ходе практических занятий школьники в Детском Технопарке решили задачу объединения в единую среду управления ранее созданных подсистем управления. Для взаимодействия микрокомпьютеров Raspberry Pi и смартфонов они использовали предложенный в работе Балабаева С.А. метод интеграции.

К достоинствам такого подхода следует отнести простоту реализации взаимодействия мобильных узлов, масштабируемость и кроссплатформен-ность.

Результаты внедрения показывают эффективность оригинальных подходов к интеграции ресурсов мобильных устройств, что позволяет рекомендовать их широкому кругу исследователей.

Руководитель ДТ

Ю.И. Новиков