Модели и методы обработки данных для организации эффективной программной инфраструктуры коллективного взаимодействия с облачной системой тема диссертации и автореферата по ВАК РФ 05.13.11, кандидат наук Легашев, Леонид Вячеславович

• Легашев, Леонид Вячеславович
• кандидат наук
• 2018

Оглавление диссертации кандидат наук Легашев, Леонид Вячеславович

ОГЛАВЛЕНИЕ

ВВЕДЕНИЕ

ГЛАВА 1 МЕТОДЫ ОБРАБОТКИ ДАННЫХ В РАСПРЕДЕЛЕННЫХ И ОБЛАЧНЫХ СИСТЕМАХ

1.1 Алгоритмы планирования задач в вычислительных системах

1.2 Алгоритмы планирования виртуальных машин

1.3 Инструменты виртуализации ресурсов облачных систем

1.4 Цель и задачи исследования

1.5 Выводы по главе 1

ГЛАВА 2 МОДЕЛИ И МЕТОДЫ ОБРАБОТКИ ДАННЫХ ОБЛАЧНОЙ СИСТЕМЫ КОЛЛЕКТИВНОГО ДОСТУПА К РАБОЧИМ ВИРТУАЛЬНЫМ ОКРУЖЕНИЯМ

2.1 Модель программной инфраструктуры для обработки данных облачной системы коллективного доступа к рабочим виртуальным окружениям

2.2 Модель взаимодействия объектов облачной системы коллективного доступа к рабочим виртуальным окружениям

2.3 Метод планирования распределённой обработки данных облачной системы коллективного доступа

2.4 Метод динамического формирования рабочих виртуальных окружений для программной инфраструктуры облачной системы коллективного доступа

2.5 Выводы по главе 2

ГЛАВА 3 ПРОГРАММНАЯ РЕАЛИЗАЦИЯ ОБЛАЧНОЙ СИСТЕМЫ И АНАЛИЗ ЭФФЕКТИВНОСТИ ПРЕДЛОЖЕННОГО СПОСОБА АДМИНИСТРИРОВАНИЯ РЕСУРСОВ

3.1 Мониторинг потребностей образовательных учреждений среднего образования в коллективном доступе к образовательным программным продуктам

облачной системы

3.2 Программная реализация облачной системы коллективного доступа

3.3 Экспериментальные исследования методов обработки данных при администрировании облачной системы коллективного доступа

3.4 Анализ экономической эффективности разработанных методов администрирования ресурсов облачной системы

3.5 Выводы по главе 3

ЗАКЛЮЧЕНИЕ

СПИСОК СОКРАЩЕНИЙ И УСЛОВНЫХ ОБОЗНАЧЕНИЙ

СПИСОК ЛИТЕРАТУРЫ

Введение диссертации (часть автореферата) на тему «Модели и методы обработки данных для организации эффективной программной инфраструктуры коллективного взаимодействия с облачной системой»

ВВЕДЕНИЕ

Актуальность темы. Облачные вычисления представляют собой технологию распределённой обработки данных, в которой компьютерные ресурсы и вычислительные мощности предоставляются конечному пользователю через локальную сеть, либо Internet. Преимущество облачных сервисов состоит в их доступности потребителям, низкой стоимости (за счет оплаты только фактически используемых ресурсов), надежности и гибкости настроек. Облачные технологии в настоящее время активно используются для хранения и передачи информации, для проведения экспериментов и различных вычислений на облачных серверах, для предоставления различных типов услуг. Развитие облачных технологий привело к возможности применения облачных вычислений для решения проблем в различных сферах деятельности человека, в том числе и в образовательном процессе.

В настоящее время многие организации функционируют в условиях недостаточного финансирования для своевременного обновления компьютерного парка, а также закупки, установки и настройки лицензионного программного обеспечения. Это приводит к проблеме ограниченности ресурсов, необходимых для рабочего процесса или проведения различного рода исследований. Использование облачных технологий позволяет эффективно загружать физические вычислительные ресурсы серверов, организуя одновременно виртуальные окружения нескольких пользователей, что приводит к возможности удалённого пользования необходимым платным и открытым программным обеспечением для большого числа работников из различных организаций. Одним из вариантов решения перечисленных выше проблем является использование облачной системы коллективного доступа к рабочим виртуальным окружениям. Доступ к ресурсам системы может осуществляться пользователями удалённо, с использованием стационарных компьютеров, ноутбуков, либо смартфонов.

Основные факторы при внедрении облачных вычислений в образовательный процесс перечислены в [44]. Основные преимущества использования облачной системы заключаются в следующем:

а) экономичность [130]. Организациям не требуется закупать дорогостоящее платное программное обеспечение и современные компьютеры для обеспечения его работы. Всё ПО устанавливается в облачной системе на виртуальные машины и, с учетом ограничений на количество лицензий, может использоваться совместно несколькими организациями. На рабочем месте достаточно наличия быстрого подключения к сети Internet и достаточно устаревших компьютеров, основным требованием к которым является способность запускать браузер для предоставления удалённого доступа к облачным ресурсам. Организация оплачивает только фактически используемые ресурсы облачной системы, включая оперативную память, процессорное время, сетевые каналы и лицензионное программное обеспечение;

б) простота использования. Все операции по развертыванию и настройке виртуальных машин пользователей, а также установке и поддержке ПО выполняются автоматически на стороне сервера. Координатор от организации с помощью Web-интерфейса задает необходимые параметры виртуальных окружений, отмечает предпочитаемое устанавливаемое ПО, и предоставляет расписание работы. Отсутствует необходимость включать в штат организации специалистов по администрированию и поддержке ПО;

в) совместное использование ресурсов облачной системы несколькими конечными пользователями. В настоящее время виртуальные ресурсы в большинстве компаний-провайдеров предоставляются на фиксированный срок, нижняя планка которого составляет, как правило, один месяц. Использование облачной системы решает данную проблему - имеющиеся ресурсы используются коллективно несколькими организациями, доступ к виртуальным окружениям осуществляется согласно общему расписанию облачной системы;

г) хранение данных конечных потребителей. Различные пользовательские данные, необходимые для работы (сохранённые документы, файлы, проекты, базы данных и т.д.) хранятся на сетевом хранилище облачной системы, определенная часть ресурсов которого доступна каждому учреждению;

д) широкий доступ к программному обеспечению при использовании облачных технологий в учебном процессе. Больший перечень лицензионного и открытого программного обеспечения становится доступным для образовательных учреждений, т.к. они оплачивают только фактическое время его использования, а не полную стоимость. Получение доступа к специфическому программному обеспечению позволит проводить виртуальные эксперименты, выполнять математические расчеты, моделировать, визуализировать и т.д.;

е) автоматическое обновление вычислительных и программных ресурсов. Обновление серверов и сетевых устройств, а также программного обеспечения осуществляется прозрачно для конечных пользователей.

Актуальной проблемой в рамках диссертационного исследования является организация эффективной программной инфраструктуры для коллективного взаимодействия пользователей с облачной системой в условиях ограниченности ресурсов. Вопросами задач планирования занимались учёные P. Brucker [15], S. Even, A. Itai, A. Shamir [32], J. Blazewicz [11], В. В. Курейчик [77] и др. Вопросами разработки эффективных алгоритмов управления виртуальными ресурсами занимались ученые А. О. Удовиченко, В. П. Соловьев [128], Jinhua Hu, Jianhua Gu, Guofei Sun, Tianhai Zhao [45], Jing Xu [102], J. Tordsson, R. S. Montero [92] и др. Вопросами использования виртуальных технологий в сфере образования, а также вопросами анализа и разработки облачных сервисов занимались ученые В. М. Курейчик [117], Л. Б. Соколинский, П. С. Костенецкий, Г. И. Радченко, А. И. Семёнов., [120], А. В. Бухановский, В. В. Грибова, Л. А. Федорищев [115], Shinichiro Kibe, Teruaki Koyama, Minoru Uehara [51], Bo Wang, HongYu Xing [96], J. Cappos, I. Beschastnikh, A. Krishnamurthy, T. Anderson [17], и др.

Существующие системы администрирования ресурсов облачных систем, такие как OpenNebula [34], OpenStack [70], Amazon EC2[31], Eucalyptus [65], vCloud Suit [93], Amazon Workspaces [126], MyCloudlT [25], Workspot [67] не подходят в качестве готового решения поставленной задачи по следующим причинам:

1. Использование простейших алгоритмов выбора ресурсов для запуска экземпляров виртуальных машин. Чаще всего используются алгоритмы фильтрации вычислительных узлов по ресурсным требованиям виртуальных машин с последующей их сортировкой по некоторому взвешенному критерию и выбором нескольких наилучших узлов;

2. Отсутствие учета ограничений проблемно-ориентированной среды, а именно:

а) ограничений на обеспечение коллективного доступа к ресурсам системы;

б) ограничений на лицензионное ПО - многие платные продукты предоставляются с плавающими лицензиями на их использование. Они связаны с серверами лицензий, которые контролируют максимальное количество экземпляров ПО, одновременно запускаемых в сети облачной системы. Для обеспечения работоспособности программного обеспечения на виртуальных машинах данные ограничения должны всегда выполняться;

в) обеспечение согласованности расписания облачной системы с расписаниями рабочих сессий в пользовательских организациях. При большом количестве пользователей будет сложно одновременно выполнить все пожелания на запуск требуемых виртуальных ресурсов в выбранное время.

Реализация облачной системы для образовательной проблемно-ориентированной среды приведет к необходимости создания интеллектуальных методов для эффективного администрирования имеющихся ресурсов в условиях существующих ограничений: оптимальное размещение заявок в расписании системы и динамическое формирование виртуальных окружений в соответствии с потребностями конечных пользователей.

Работа выполнена в Оренбургском государственном университете при финансовой поддержке Министерства образования Оренбургской области (грант № 37 от 30 июня 2016 г.), РФФИ и Правительства Оренбургской области (проекты №16-47-560335, №13-07-97046).

Объектом исследования являются процессы обработки данных облачной системы коллективного доступа.

Предметом исследования являются модели и методы обработки данных облачной системы коллективного доступа.

Цель и задачи исследования. Целью работы является повышение эффективности обработки запросов пользователей облачной системы за счет использования эвристических методов планирования и формирования рабочих виртуальных окружений, учитывающих специфику коллективного использования программных продуктов в проблемно-ориентированной среде. Для достижения этой цели необходимо было решить следующие задачи:

1. На основе анализа существующих методов планирования задач и виртуальных машин, а также анализа существующих решений по предоставлению виртуальных ресурсов определить способ решения проблемы эффективного администрирования ресурсов облачной системы коллективного доступа к рабочим виртуальным окружениям.

2. Разработать модель программной инфраструктуры для обработки данных облачной системы коллективного доступа к рабочим виртуальным окружениям в проблемно-ориентированной среде (соответствует п. 9 паспорта специальности).

3. Разработать метод планирования распределённой обработки данных облачной системы коллективного доступа (соответствует п. 9 паспорта специальности).

4. Разработать метод динамического формирования рабочих виртуальных окружений для программной инфраструктуры облачной системы коллективного доступа (соответствует п. 3 паспорта специальности).

5. Для реализации предложенного способа разработать программный комплекс для распределённой обработки данных на основе взаимодействия программных модулей облачной системы и исследовать эффективность предложенных методов (соответствует п. 3 паспорта специальности).

Методы исследования. Данная диссертационная работа выполнена с использованием методов системного анализа, методов проектирования информационных систем, методов математического и алгоритмического моделирования на основе принципов объектно-ориентированного программирования.

Научная новизна работы заключается в следующем:

1. Впервые разработана модель программной инфраструктуры для обработки данных облачной системы с целью организации коллективного доступа к информационным ресурсам, новизна которой заключается в том, что учитываются специфика множественных запросов и ограничения на платное программное обеспечение. Данная модель гарантирует соблюдение временных и ресурсных ограничений системы при размещении заявок пользователей в расписании, а также позволяет получить количественную оценку эффективности расписания в виде значения целевой функции.

2. Разработан метод планирования распределённой обработки данных облачной системы коллективного доступа, который отличается от существующих тем, что позволяет эффективно размещать запросы конечных пользователей в условиях коллективного использования информационных ресурсов в проблемно-ориентированной среде. Размещение запросов пользователей в расписании облачной системы происходит в рамках ограничений модели программной инфраструктуры посредством итеративного изменения первоначального варианта расписания и оценки его эффективности.

3. Разработан метод динамического формирования рабочих виртуальных окружений для программной инфраструктуры облачной системы коллективного доступа, который отличается от существующих тем, что позволяет динамически

формировать рабочие виртуальные окружения конечных пользователей в соответствии с заданным расписанием. Основная идея метода заключается в использовании опорных образов виртуальных машин при нахождении оптимальной последовательности установки требуемого программного обеспечения.

Теоретическая ценность работы заключается в том, что разработана модель программной инфраструктуры обработки запросов пользователей облачной системы в рамках теории расписаний, позволяющая формализовать основные понятия и ограничения облачной системы с целью составления глобального расписания по запуску рабочих виртуальных окружений.

Практическая ценность работы заключается в том, что на базе предложенных моделей и методов разработан и реализован программный комплекс, позволяющий выбрать наилучшие методы планирования и формирования рабочих виртуальных окружений пользователей.

Результаты работы использованы в Министерстве образования Оренбургской области и образовательных учреждениях города Оренбурга и Оренбургской области. Практическая ценность подтверждается актом внедрения и двумя свидетельствами о государственной регистрации программ для ЭВМ.

Основные положения, выносимые на защиту:

1. Модель программной инфраструктуры для обработки данных облачной системы коллективного доступа к рабочим виртуальным окружениям;

2. Метод планирования распределённой обработки данных облачной системы коллективного доступа;

3. Метод динамического формирования рабочих виртуальных окружений для программной инфраструктуры облачной системы коллективного доступа;

4. Программный комплекс для распределённой обработки данных на основе взаимодействия программных модулей облачной системы.

Апробация работы. Основные положения диссертационной работы, разработанные модели, алгоритмы и результаты вычислительных экспериментов

докладывались автором на следующих международных и всероссийских научных конференциях:

1. На XI Международной научно-технической конференции «Проблемы техники и технологий телекоммуникаций», ПТиТТ-2013, (27-29 ноября 2013 г., Самара);

2. На III Всероссийском конгрессе молодых ученых в Санкт-Петербургском национальном исследовательском университете информационных технологий, механики и оптики (8-11 апреля 2014 г., Санкт-Петербург);

3. На XII Международном симпозиуме «Интеллектуальные системы», (5-7 октября 2016 г., Москва);

4. На XXXII Международной научно-технической конференции «Проблемы автоматизации и управления в технических системах - 2017» (6-8 июня 2017 г., Пенза).

5. На научном семинаре по информационным технологиям (19 сентября 2017 г., Челябинск).

6. На онлайн-семинаре лаборатории интеллектуальных систем ИАПУ ДВО РАН (12 декабря 2017 г., Владивосток).

Публикации. По теме диссертации опубликовано 14 работ, в том числе 4 работы в научных изданиях из списка ВАК, 4 работы опубликованы в изданиях, индексируемых в базе данных Scopus и Web of Science, коллективная монография. И.П. Болодуриной в ключевых публикациях принадлежит постановка задачи обработки данных при администрировании ресурсов облачной системы, Л.В. Легашеву принадлежат модель программной инфраструктуры, модель взаимодействия объектов системы, эвристические методы планирования и формирования виртуальных окружений облачной системы, а также программный комплекс для верификации представленных решений. В рамках диссертационного исследования получено 2 свидетельства о государственной регистрации программ для ЭВМ и баз данных.

Структура и объём диссертации. Диссертационная работа состоит из введения, трёх глав, заключения, списка сокращений и условных обозначений, списка литературы. Работа объемом 150 страниц машинописного текста содержит 49 рисунков, 12 таблиц и список литературы, включающий 132 наименования.

ГЛАВА 1 МЕТОДЫ ОБРАБОТКИ ДАННЫХ В РАСПРЕДЕЛЕННЫХ И

ОБЛАЧНЫХ СИСТЕМАХ

Проблема эффективного управления виртуальными ресурсами облачной системы в своей основе представляет классическую задачу составления расписания в условиях ограничений. Необходимо выполнить критический анализ существующих алгоритмов планирования с целью оценки их эффективности и вычислительной сложности предлагаемых решений. Отдельно требуется провести обзор существующих алгоритмов планирования в облачных системах, учитывающих специфику виртуализации ресурсов и технические особенности реализации облачных систем. Данное исследование позволит отобразить современное состояние проблемы эффективного управления виртуальными ресурсами облачных систем, выбрать схему реализации доступа конечных пользователей к виртуальным ресурсам, а также определить категорию алгоритмов, эффективно разрешающих поставленную задачу за приемлемое время.

В разделе 1.1 представлен критический анализ существующих алгоритмов планирования в условиях ограничений. В фундаментальной работе Вгискег Р. по теории расписаний [15] показано, что задача составления расписания является №-полной, следовательно, не существует способа её решения за полиномиальное время. Составление эффективного расписания за экспоненциальное время является недопустимым для планировщика облачной системы, в связи с требованиями к своевременной обработке большого числа запросов пользователей на предоставление ресурсов облачной системы. В связи с этим сделан вывод о целесообразности использования интеллектуальных эвристических методов, строящих субоптимальные расписания за приемлемое полиномиальное время.

В разделе 1.2 выполнен обзор существующих алгоритмов планирования виртуальных машин в облачных системах. Исследование показало, что

существующие алгоритмы планирования, как правило, используют простейшие методики выбора ресурсов для запуска виртуальных машин. При этом не учитываются особенности задачи планирования в образовательных учреждениях: периодичность учебных расписаний, ограничения по количеству одновременно запускаемых виртуальных машин на группу учащихся, а также ограничения по числу лицензий на платное программное обеспечение, применяемое в процессе обучения. Также в обзоре рассмотрены различные схемы реализации доступа конечных пользователей к виртуальным ресурсам - SaaS (Software as a Service), EaaS (Education as a Service) и другие. Отдельно затронуты вопросы использования облачных технологий в процессе образования.

На основании проведенных исследований для решения поставленной задачи сделан вывод о целесообразности реализации механизма DaaS (Desktop as a Service) [29], который направлен на предоставление конечным пользователям требуемых виртуальных окружений с установленным программным обеспечением. В качестве основных алгоритмов управления виртуальными ресурсами выбраны стохастические методы на основе имитации отжига и генетического программирования, реализованные в совокупности с циклическим алгоритмом Round-Robin [76] для равномерного распределения запросов пользователей в расписании облачной системы.

1.1 Алгоритмы планирования задач в вычислительных системах

Большое количество исследований посвящено проблеме планирования задач и сетевых коммуникаций в вычислительных системах различной архитектуры.

Публикация [15] является известной работой по теории расписаний. В ней представлена предложенная R. L. Graham [40] классификация задач планирования a\ß\y, где а - описывает обрабатывающую машину, ß - определяет рассматриваемые характеристики работ, а у - задает критерий оптимальности

составляемых расписаний выполнения работ. В данной работе показано, что в общем случае проблема планирования задач для реальных вычислительных систем является NP-полной. Составление эффективного расписания по одному из критериев оптимальности может быть выполнено только за экспоненциальное время, что недопустимо для планировщика вычислительной системы. В связи с этим, необходимо использовать эвристические алгоритмы планирования, которые строят близкие к оптимальным расписания за приемлемое полиномиальное время.

V. T'kindt и J. C. Billaut в публикации [91] рассматривают частные классы задач планирования с многокритериальной оптимизацией по нескольким оптимизационными критериями, в числе которых: минимизация суммарного времени завершения работ, минимизация общего взвешенного критерия завершения работ, минимизация суммарного опоздания работ, минимизация взвешенного числа опоздавших работ и другие. Для их решения в зависимости от задачи авторы предлагают использовать оптимальные по Парето решения, многокритериальное линейное программирование, многокритериальное смешанное целочисленное программирование. Такие способы решения, как правило, имеют большую вычислительную и временную сложность.

В публикации [11] J. Blazewicz, K. Ecker, K. Pesch и J. Weglarz предлагают улучшенный вариант классификации задач планирования a\ß\y, ориентированный на параллельные вычислительные системы. Авторы также рассматривают модели планирования вычислительных задач (работ), представляющие собой ориентированные графы подзадач, их дуги соответствуют односторонним коммуникациям между подзадачами. Критериями качества назначения задачи на вычислительные процессоры выступают суммарные межпроцессорные коммуникации и сбалансированность загрузки процессоров.

А. Н. Сальников в своей работе [79] описывает систему разработки и поддержки исполнения параллельных задач «PARUS». Реализовано несколько алгоритмов планирования вычислений и балансировки загрузки вычислительных процессоров с учетом накладных расходов на передачу данных для гетерогенных

коммуникационных сред. Автор не учитывает возможную периодичность выполнения задач и ограничения на количество параллельно выполняющихся ее процессов.

O. Sinnen в книге [84] рассматривает модель планирования задач с ограничениями предшествования подзадач и c учетом сетевой конкуренции. Для этого коммуникационная сеть представляется в виде взвешенного топологического графа, состоящего из вершин - вычислительных узлов, сетевых коммутаторов и дуг - сетевых связей между ними. Учет конкуренции реализуется путем планирования и отображения коммуникаций, представимыми дугами в графе подзадач, на связи топологического графа.

В работе В.Н. Коваленко, Е.И. Коваленко и Д.А. Семячкина [116] авторы делают краткий обзор эвристических алгоритмов планирования для многопроцессорных и кластерных систем. Алгоритм FCFS (First Come First Served, первый пришел - первый обслужен) оставляет значительное количество окон в расписании запуска задач, его модифицированный вариант First-Fit (первый подходящий) сокращает их число за счет просмотра всей очереди в поисках задач, которые можно назначить на свободные вычислительные ресурсы.

Алгоритм обратного заполнения Backfill еще сильнее сокращает количество окон в расписании, существует два его варианта - агрессивный и консервативный. Агрессивный вариант (автор D. Lifka) для планировщика EASY (Extensible Argonne Scheduling System) вычислительной системы IBM SP1, преследует две конфликтующие цели - повысить эффективность использования вычислительных ресурсов путем заполнения пустых окон в расписании и предотвратить задержки выполнения задач за счет механизма резервирования. Консервативный вариант алгоритма Backfill (автор D.G. Feitelson) менее эффективно использует вычислительные ресурсы.

Ряд публикаций посвящен алгоритмам планирования, учитывающим топологию вычислительной системы при назначении задач. Рассматриваются два типа стратегий: фрагментарное и смежное назначение задач. К первому типу

относятся алгоритмы [9, 129]: метод страничной организации (Paging), метод системы множественных близнецов (Multiple Buddy System), метод адаптивного несмежного назначения (Adaptive None-Contiguous Allocation). Ко второму типу относятся алгоритмы [10, 71, 72]: Manhattan Median и Manhattan Median Incremental.

Su Nguyen, Mengjie Zhang, Mark Johnston и Kay Chen Tan в статье [69] предложили решение задачи JSSP путем обучения итерационных правил назначения с использованием генетического программирования. Новизна предложенного авторами подхода состоит в постепенном улучшении расписания путем запоминания и использования информации о законченных расписаниях.

Технология использования графического процессора видеокарты для выполнения расчётов (General-Purpose Graphics Processing Units) может обеспечивать мощные вычислительные возможности и использоваться для выполнения как графических, так и общих приложений. Для GPGPU выполнение нескольких приложений одновременно позволит эффективно использовать имеющиеся ресурсы, при этом остаются проблемы, связанные с различным временем выполнения приложений. В работе [87] авторами предлагается схема планирования динамических потоковых мультипроцессоров для выполнения несколькими приложениями в GPGPU с целью эффективного управления аппаратными ресурсами.

В статье [14] предлагается новых подход к распределению задач и планированию в высокопроизводительных вычислительных устройствах, работающих в производственной среде. Алгоритм основан на технике программирования в ограничениях (Constraint Programming) и показывает значительное улучшение QoS для высокопроизводительных вычислительных устройств среднего класса.

Гибридный генетический алгоритм для оптимизации планирования приложений в гетерогенных вычислительных системах описан в [3].

Высокопроизводительное планирование в режиме реального времени в гетерогенных распределенных системах представлено в работе [101].

Планировщики гетерогенных систем могут связывать задания с ресурсами таким образом, чтобы сократить время простоя. Как правило, такие планировщики принимают решения на основе статической стратегии. В статье [89] рассматривается случай с возможностью планировщика изменять стратегию во время выполнения. Правильно подобранная стратегия назначения ресурсов может привести к ускорению по сравнению с другими стратегиями.

Авторы работы [104] занимаются двухзадачным планированием рабочего процесса - с точки зрения потребления энергии и надежности гетерогенных вычислительных систем - и предлагают новый генетический алгоритм для решения задачи планирования.

Список литературы диссертационного исследования кандидат наук Легашев, Леонид Вячеславович, 2018 год

СПИСОК ЛИТЕРАТУРЫ

1 Afshar-Nadjafi B., Yazdani M., Majlesi M. Variable Annealing Length and Parallelism in Simulated Annealing // Proceedings of International Conference on Industrial, Engineering and Other Applications of Applied Intelligent Systems (IEA/AIE 2017) - 2017. - P. 102-111.

2 Agarwal D., Jain S. Efficient Optimal Algorithm of Task Scheduling in Cloud Computing Environment // International Journal of Computer Trends and Technology (IJCTT) - 2014. - V. 9 - No. 7 - P. 344-349.

3 Ahmad S.G., Liew C.S., Munir E.U., Ang T.F., Khan S.U. A hybrid genetic algorithm for optimization of scheduling workflow applications in heterogeneous computing systems // Journal of Parallel and Distributed Computing - 2017. - V. 87 -P. 80-90.

4 Akbari M., Rashidi H., Alizadeh S. H. An enhanced genetic algorithm with new operators for task scheduling in heterogeneous computing systems // Engineering Applications of Artificial Intelligence Journal - 2017. - V. 61 - P. 35-46.

5 AlEbrahim S., Ahmad I. Task scheduling for heterogeneous computing systems // The Journal of Supercomputing - 2017 - V. 73 - No. 6 - P. 2313-2338.

6 All-in-one solution for Remote Access and Web Portal / Terminal Service Plus, 2016. - URL: https://www.tsplus.net/ (Дата обращения: 07.05.2016).

7 Amandeep D. An Analysis of Applicability of Cloud Computing in Higher Education // Indian Journal of Computer Science - 2017. - V. 2. - No. 2. - DOI: 10.17010/ijcs/2017/v2/i2/112042.

8 Angus K., Xiaodong Li, Qin A. K., Andreas T. A Population-based Local Search Technique with Random Descent and Jump for the Steiner Tree Problem in Graphs // Proceedings of the Genetic and Evolutionary Computation Conference 2016 -Denver, Colorado, USA - 2016. - P. 333-340.

9 Bani-Mohammad S., Ould-Khaoua M., Abaneh I., Mackenzie L. M. An efficient processor allocation strategy that maintains a high degree of contiguity among

processors in 2D mesh connected multicomputer / // Proceedings of ACS/IEEE International Conference on Computer Systems and Applications, AICCSA - 2007. - P. 934-941.

10 Bender M.A. , Bunde D.P., Fekete S.P., Leung V.J., Meijer H., Phillips C.A. Communication-Aware Processor Allocation for Supercomputers: Finding Point Sets of Small Average Distance / // Algorithmica - 2008. - No 2. - P. 279-298.

11 Blazewicz J., Ecker K., Pesch K., Schmidt G., Weglarz J. Handbook on Scheduling. From Theory to Applications / - Berlin: Springer - 2007. - P. 647.

12 Bolodurina I., Legashev L., Polezhaev P., Shukhman A., Ushakov Yu. Request generation and intelligent scheduling for cloud educational resource datacenter // Proceedings of 8th Int. Conf. on Intelligent Systems - 2016. - P. 747-752.

13 Brandâo J.S., Noronha T.F., Resende M.G., Ribeiro C.C. A biased random-key genetic algorithm for scheduling heterogeneous multi-round systems // International Transactions in Operational Research Journal - 2017. - V. 24 - No. 5 - P. 1061-1077.

14 Bridi T., Lombardi M., Bartolini A., Benini L., Milano M. A Constraint Programming Scheduler for Heterogeneous High-Performance Computing Machines // IEEE Transactions on Parallel and Distributed Systems Journal - 2016. - V. 27 - No. 10 - P. 2781- 2794.

15 Brucker P. Scheduling Algorithms // Berlin: Springer - 2007. - P. 371.

16 Caleffi M., Akyildiz I.F., Paura L. On the Solution of the Steiner Tree NP-Hard Problem via Physarum BioNetwork // IEEE/ACM Transactions On Networking Journal - 2015. - V. 23 - No. 4 - P. 1092-1106.

17 Cappos J., Beschastnikh I., Krishnamurthy A., Anderson T. Seattle: A Platform for Educational Cloud Computing // Proceedings of the 40th ACM technical symposium on Computer science education (SIGCSE) - 2009. - P. 111-115.

18 Cicirello V.A. A Hybrid of Tabu Search and Simulated Annealing Algorithms for Preemptive Project Scheduling Problem // Proceedings of the Tenth International Symposium on Combinatorial Search - 2017. - P. 1-10.

19 Clark С. Live Migration of Virtual Machines // 2nd Symposium on Networked Systems Design and Implementation. - 2005. - V. 2 - P. 273-286.

20 CloudSim framework for modeling and simulation of cloud computing infrastructures and cloud services / Melburne Clouds LAB, 2009. - URL: http://www.cloudbus.org/cloudsim/ (Дата обращения: 10.09.2014).

21 Cordeiro T., Damalio D., Pereira N., Endo P., Palhares A., Gonfalves G., Sadok D., Kelner J., Melander B., Souza V., Mangs J.-E. Open Source Cloud Computing Platforms / // Proceedings of 9th International Conference on Grid and Cloud Computing - 2010. - P. 366-371.

22 Cormen T., Leiserson C., Rivest R., Stein C. Introduction to Algorithms, Chapter 16 "Greedy Algorithms" - 2001. - P. 414-443.

23 CPLEX Optimizer. High-performance mathematical programming solver for linear programming, mixed integer programming, and quadratic programming / Сайт IBM Corporation, ILOG CPLEX - 2013. - URL: www.ilog.com/products/cplex/ (Дата обращения: 10.11.2014)

24 Jiankang D., Hongbo W., Yangyang L., Shiduan C. Virtual machine scheduling for improving energy efficiency in IaaS cloud // IEEE China Communications - 2014. - V. 11, No. 3 - P. 1-12.

25 Deliver the Cloud with Microsoft Azure Remote Desktop Services on IaaS / Microsoft Azure - 2016. - URL: https://mycloudit.com/product/ (Дата обращения: 08.01.2016).

26 Dorigo M. Optimization, Learning and Natural Algorithms // PhD thesis, Politecnico di Milano, Italy - 1992.

27 Duan H., Chen C., Min G., Wu Y. Energy-aware scheduling of virtual machines in heterogeneous cloud computing systems // Future Generation Computer Systems Journal - 2017. - V. 74 - P. 142-150.

28 Dukhanov A.V., Bolgova E.V., Bezgodov A.A., Bezborodov L.A., Boukhanovsky A.V. The Approach to the Extension of the CLAVIRE Cloud Platform

for Researchers' Collaboration // Selected Papers from 9th International Conference Knowledge, Information and Creativity Support Systems - 2014. - P. 467-481.

29 Eaves A., Stockman M. Desktop as a service proof of concept // Proceedings of the 13th annual conference on Information technology education (SIGITE-12) -2012. - P. 85-86.

30 El Khoukhi F., Boukachour J., Alaoui A.E.H. The "Dual-Ants Colony": A novel hybrid approach for the flexible job shop scheduling problem with preventive maintenance // Computers & Industrial Engineering Journal - 2017. - V. 106 - P. 236255.

31 Elastic Compute Cloud (EC2) - Облачные серверы и хостинг / Amazon EC2 - URL: https://aws.amazon.com/ru/ec2/ (Дата обращения: 08.06.2017).

32 Even S., Itai A. Shamir A. On the complexity of timetable and multi-commodity flow problems // Foundations of Computer Science, 16th Annual Symposium - 1975. - P. 184-193.

33 Fampa M., Lee J., Melo W. A specialized branch-and-bound algorithm for the Euclidean Steiner tree problem in n-space // Computational Optimization and Applications Journal - 2016. - V. 65 - P. 47-71.

34 Flexible Enterprise Cloud Made Simple / OpenNebula Project - URL: https://opennebula.org/ (Дата обращения: 08.06.2017).

35 Fourer R., Gay D.M., Kernighan B.W. A modeling language for mathematical programming // Management Science - 1990. - No. 36 - P. 519-554.

36 Fu Z.H., Hao J.K. Breakout local search for the Steiner tree problem with revenue, budget and hop constraints // European Journal of Operational Research -2014. - V. 232 - P. 209-220.

37 Fu Z.H., Hao J.K. Dynamic Programming Driven Memetic Search for the Steiner Tree Problem with Revenues, Budget, and Hop Constraints // INFORMS Journal on Computing - 2015. - V. 27 - No. 2 - P. 221 - 237.

38 Fоulds L., Graham R. The Steiner problem in phylogeny is NP-complete / Adv. Appl. Math. 3(1) - 1982. - P. 43-49.

39 Garey M.R., Graham R.L., Ullman J.D. Worst case analysis of memory allocation algorithms / In Proc. Of the 4th ACM Symp. On Theory of Computing -1972. - P. 143-152.

40 Graham R.L., Lawler E.L., Lenstra J.K., Kan A.R. Optimization and Approximation in Deterministic Sequencing and Scheduling: a Survey // Proceedings of the Advanced Research Institute on Discrete Optimization and Systems Applications of the Systems Science Panel of NATO and of the Discrete Optimization Symposium. Elsevier - 1979. - P. 287-326.

41 Grubbs F. Procedures for Detecting Outlying Observations in Samples // Technometrics - 1969. - V. 11. - No. 1. - P.1-21.

42 Guo Q. Task scheduling based on ant colony optimization in cloud environment // Proceedings of AIP Conference - 2017. - V. 1834 - No. 1 - DOI: http://dx.doi.org/10.1063/L4981635

43 Han X., Liu J., Liu D., Liao Q., Hu J., Yang Y. Distribution network planning study with distributed generation based on Steiner tree model // Proceedings of IEEE PES Asia-Pacific Power and Energy Engineering Conference (APPEEC-2014) - 2014. - DOI: 10.1109/APPEEC.2014.7066185

44 Hartmann S.B., Braae L.Q.N., Pedersen S., Khalid M. The Potentials of Using Cloud Computing in Schools: A Systematic Literature Review // Turkish Online Journal of Educational Technology - 2017. - V. 16. - No. 1. - P. 190-202.

45 Hu J., Gu J., Sun G., Zhao T. A Scheduling Strategy on Load Balancing of Virtual Machine Resources in Cloud Computing Environment // 3rd International Symposium on Parallel Architectures, Algorithms and Programming - 2010. - P. 89-96.

46 Jang J.W., Jeon M., Kim H.S., Jo H., Kim J.S., Maeng S. Energy Reduction in Consolidated Servers through Memory-Aware Virtual Machine Scheduling // IEEE Transactions On Computers - 2011. - P. 552-558.

47 Jingjing Zheng, Zhihang Shen, Huaien Gao, Bianna Chen,, Weida Zheng, Xiaoming Xiong An Improved SoC Test Scheduling Method Based on Simulated

Annealing Algorithm // Journal of Physics: Conference Series - 2017. - V. 806, No. 1 -P. 39-46.

48 Karim F., Rampersad G. Cloud Computing in Education in Developing Countries // Computer and Information Science Journal - 2017. - V. 10 - No. 2 - P. 8796.

49 Keshanchi B., Souri A., Navimipour N.J. An improved genetic algorithm for task scheduling in the cloud environments using the priority queues: Formal verification, simulation, and statistical testing // Journal of Systems and Software -2017. - V. 124 - P. 1-21.

50 Khachaturyan A., Semenovskaya S., Vainshtein B. Statistical-Thermodynamic Approach to Determination of Structure Amplitude Phases - Sov.Phys. Crystallography - 1979. - P. 519-524.

51 Kibe S., Koyama T., Uehara M. The Evaluations of Desktop as a Service in an Educational Cloud // 15th International Conference on Network-Based Information Systems - 2012. - P. 621-626.

52 Kim N., Cho J., Seo E. Energy-credit scheduler: An energy-aware virtual machine scheduler for cloud systems // Future Generation Computer Systems Journal -2014. - V. 32, P. 128-137.

53 Knyazkov K.V., Kovalchuk S.V., Tchurov T.N., Maryin S.V., Boukhanovsky A.V. CLAVIRE: e-Science infrastructure for data-driven computing // Journal of Computational Science - 2012. - V. 3. - No. 6 - P. 504-510.

54 Koch F., Assuncao M.D., Cardonha C., Netto M.A. Optimising resource costs of cloud computing for education // Future Generation Computer Systems Journal -2016. - V. 55 - P. 473-479.

55 Konnov A., Legashev L., Polezhaev P., Shukhman A. Concept of Cloud Educational Resource Datacenters for Remote Access to Software // Proceedings of 11th International Conference on Remote Engineering and Virtual Instrumentation (REV), Polytechnic of Porto (ISEP) in Porto, Portugal from 26-28 February - 2014. - P. 246-247.

56 Kosukhin S.S., Kovalchuk S.V., Boukhanovsky A.V. Cloud Technology for Forecasting Accuracy Evaluation of Extreme Metocean Events // Procedía Computer Science Journal - 2015. - V. 51 - P. 2933-2937.

57 Kovalchuk S.V., Smirnov P.A., Knyazkov K.V., Zagarskikh A.S., Boukhanovsky A.V. Knowledge-Based Expressive Technologies Within Cloud Computing Environments // Proceedings of the Eighth International Conference on Intelligent Systems and Knowledge Engineering - 2014. - P. 1-11.

58 Kruekaew B., Kimpan W. Virtual Machine Scheduling Management on Cloud Computing Using Artificial Bee Colony // Proceedings of the International MultiConference of Engineers and Computer Scientists (IMECS-2014) - 2014. - V. 1

- P. 8-22.

59 La Fata C.M., Passannanti G. A simulated annealing-based approach for the joint optimization of production/inventory and preventive maintenance policies // The International Journal of Advanced Manufacturing Technology - 2017. - P. 1-11.

60 Layeb S.B., Hajri I., Haouari M. Solving the steiner tree problem with revenues, budget and hop constraints to optimality // Proceedings of 2013 5th International Conference on Modeling, Simulation and Applied Optimization (ICMSA0-2013) - 2013. - DOI: 10.1109/ICMSA0.2013.6552674.

61 Lin W., Xu S., Li J., Xu L., Peng Z. Design and theoretical analysis of virtual machine placement algorithm based on peak workload characteristics // Soft Computing Journal - 2017. - V. 21 - No. 5 - P. 1301-1314.

62 Liu B.H., Nguyen N.T., Pham V.T., Wang W.S. Constrained node-weighted Steiner tree based algorithms for constructing a wireless sensor network to cover maximum weighted critical square grids // Computer Communications Journal - 2016.

- V. 81. - P. 52-60.

63 Liu L., Song Y., Zhang H., Ma H., Vasilakos A.V. Physarum Optimization: A Biology-Inspired Algorithm for the Steiner Tree Problem in Networks // IEEE Transactions on Computers Journal - 2013. - V. 64 - No. 3 - P. 818-831.

64 Liu X.F., Zhan Z.H., Du K.J., Chen W.N. Energy aware virtual machine placement scheduling in cloud computing based on ant colony optimization approach // Proceedings of the 2014 Annual Conference on Genetic and Evolutionary Computation - 2014. - P. 41-48.

65 Managed Cloud Services | DXC Technology / Eucalyptus - URL: https://docs.eucalyptus.com/eucalyptus/latest/ (Дата обращения: 08.06.2017).

66 Mitchell M. An Introduction to Genetic Algorithms - Cambridge, MA: MIT Press - 1998. - P. 143.

67 Modern Desktop as a Service (DaaS 2.0) combines Workspot with Azure / Workspot, 2016. - URL: https://www.workspot.com/daas-2-0/ (Дата обращения: 08.01.2016).

68 Muthiah A., Rajkumar R. Scheduling problem solving using genetic and greedy algorithms // International Journal of Computer Aided Engineering and Technology - 2017. - V. 9 - No. 2 -DOI: http://dx.doi.org/10.1504/IJCAET.2017.10002533

69 Nguyen S., Zhang M., Johnston M., Tan K.C. Learning iterative dispatching rules for job shop scheduling with genetic programming // The International Journal of Advanced Manufacturing Technology - 2013. - P. 85-100.

70 OpenStack Open Source Cloud Computing Software / OpenStack Project -URL: https://www.openstack.org/ (Дата обращения: 08.06.2017).

71 Pascual J.A., Navaridas J., Miguel-Alonso J. Effects of Job-Placement on Scheduling Performance // Proceedings of 17th Euromicro International Conference on Parallel, Distributed, and Network-Based Processing - 2009. - P. 321.

72 Pascual J.A., Navaridas J., Miguel-Alonso J. Effects of Topology-Aware Allocation Policies on Scheduling Performance // Lecture Notes in Computer Science -2009. - No. 5798. - P. 138-156.

73 Pearson K. On the criterion that a given system of deviations from the probable in the case of a correlated system of variables is such that it can be reasonably

supposed to have arisen from random sampling // Philosophical Magazine Series -1900. - P. 157-175.

74 Pisco J., Bayas A., Najarro R., Puris A., Novoa P. Ant Colony Optimization for Optimal Workforce Planning // Latin American Journal of Computing - 2017. - V. 4 - No. 1 - P. 51-57.

75 Qu H., Mashayekhi O., Terei D., Levis P. Canary: A Scheduling Architecture for High Performance Cloud Computing / Open access to 1,287,256 e-prints in Physics, Mathematics, Computer Science, Quantitative Biology, Quantitative Finance and Statistic - URL: https://arxiv.org/abs/1602.01412 (Дата обращения: 10.06.2017).

76 Remzi H., Andrea C. Operating Systems: Three Easy Pieces [Chapter: Scheduling Introduction] Arpaci-Dusseau Books - 2014. - P. 686.

77 Saak A.E., Kureichik V.V., Lezhebokov A.A. Scheduling of Parabolic-Type Tasks Arrays in GRID Systems // Computer Science On-line Conference. - Springer, Cham - 2017. - P. 292-298.

78 Sabi H.M., Uzoka F.M.E., Langmia K., Njeh F.N. Conceptualizing a model for adoption of cloud computing in education // International Journal of Information Management - 2016. - V. 36 - No. 2 - P. 183-191.

79 Salnikov A.N. PARUS: A parallel programming framework for heterogeneous multiprocessor systems // Lecture notes in computer science. Recent advantages in parallel virtual machine and message passing interface - 2006. - V. 4192 - p. 408-409.

80 Shahram J., Fatemeh A., Soheila S. Task Scheduling in Cloud Computing Using Particle Swarm Optimization / The 3rd International CUA Graduate Students Symposium - 2016. - P. 192-198.

81 Sharif S., Watson P., Taheri J., Nepal S., Zomaya A.Y. Privacy-Aware Scheduling SaaS in High Performance Computing Environments // IEEE Transactions on Parallel and Distributed Systems Journal - 2017. - V. 28 - No. 4 - P. 1176 - 1188.

82 Shukhman A., Bolodurina I., Polezhaev P., Legashev L. Cloud educational resource datacenter simulator // Procedía Computer Science - 2017. - V. 103 - P. 543548.

83 Shukhman A., Bolodurina I., Polezhaev P., Ushakov Yu., Legashev L. Creation of regional center for shared access to educational software based on cloud technology // Selected Papers of the XI International Scientific-Practical Conference Modern Information Technologies and IT-Education SITITO-2016 - 2016. - P. 180188.

84 Sinnen O. , Sousa L.A. Communication contention in task scheduling // IEEE Transactions on Parallel and Distributed Systems - 2005. - V. 16 - No. 6 - P. 503-515.

85 Sinnl M., Ljubic I. A node-based layered graph approach for the Steiner tree problem with revenues, budget and hop-constraints // Mathematical Programming Computation Journal - 2016. - V. 8 - No. 4 - P. 461-490.

86 Sivagurunathan S., Swasthimathi L. S. Cloud Computing Applications in Education through E-Governance: An Indian Perspective // Cloud Computing Technologies for Connected Government, Chapter 10 - 2016. - P. 247-268.

87 Son D.O., Do C.T., Choi H.J., Kim J.M., Park J., Kim C.H. CTA-Aware Dynamic Scheduling Scheme for Streaming Multiprocessors in High-Performance GPUs // Proceedings of Information Science and Applications (ICISA-2016) - 2016. -P. 1391-1399.

88 Song Y., Liu L., Ma H., Vasilakos A.V. A Biology-Based Algorithm to Minimal Exposure Problem of Wireless Sensor Networks // IEEE/ Transactions on Network and Service Management Journal - 2014. - V. 11 - No. 3 - P. 417-430.

89 Süß T., Döring N., Gad R., Nagel L., Brinkmann A., Feld D., Soddemann T. Impact of the Scheduling Strategy in Heterogeneous Systems That Provide Co-Scheduling // Proceedings of the 1st Workshop on Co-Scheduling of HPC Applications (C0SH-2016) - 2016. - http://doi.org/10.14459/2016md1286954

90 Tawfeek M.A., El-Sisi A., Keshk A.E., Torkey F.A. Cloud task scheduling based on ant colony optimization / The International Arab Journal of Information Technology - 2015. - V. 12 - No. 2 - P.129-137.

91 T'kindt V., Billaut, J.C. Multicriteria scheduling: theory, models and algorithms // Berlin: Springer - 2006. - P. 359.

92 Tordsson J., Montero R.S., Moreno-Vozmediano R., Llorente I.M. Cloud brokering mechanisms for optimized placement of virtual machines across multiple providers // Future Generation Computer Systems. - 2012. - P. 358-367.

93 vCloud Suite, частное облако на платформе vSphere: VMware / VMware vCloud Suite - URL: https://www.vmware.com/ru/products/vcloud-suite.html (Дата обращения: 08.06.2017).

94 Vijaypal S. Rathor, R. K. Pateriya, Rajeev K. Gupta. An Efficient Virtual Machine Scheduling Technique in Cloud Computing Environment // International Journal of Modern Education and Computer Science - 2015. - V. 3 - P. 39-46.

95 Vincent F.Y., Redi A.P., Hidayat Y.A., Wibowo O.J. A simulated annealing heuristic for the hybrid vehicle routing problem // Applied Soft Computing Journal -2017. - V. 53 - P. 119-132.

96 Wang B., Xing H.Y. The Application of Cloud Computing in Education Informatization // IEEE International Conference on Cloud Computing Technology and Science - 2011. - P. 2673-2676.

97 Wang D., Dai W., Zhang C., Shi X., Jin H. TPS: An Efficient VM Scheduling Algorithm for HPC Applications in Cloud // Proceedings of International Conference on Green, Pervasive, and Cloud Computing (GPC-2017) - 2017. - P. 152-164.

98 Wang L., Cai J., Li M., Liu Z. Flexible Job Shop Scheduling Problem Using an Improved Ant Colony Optimization // Scientific Programming Journal - 2017. -DOI: https://doi.org/10.1155/2017/9016303.

99 XenDesktop - Citrix / Citrix Systems - URL: https://www.citrix.ru/downloads/xendesktop/ (Дата обращения: 08.07.2017).

100 Xiang B., Zhang B., Zhang L. Greedy-Ant: Ant Colony System-Inspired Workflow Scheduling for Heterogeneous Computing // IEEE Access Journal - 2017. -V. 5 - P. 11404 - 11412.

101 Xie G., Zeng G., Liu L., Li R., Li K. High performance real-time scheduling of multiple mixed-criticality functions in heterogeneous distributed embedded systems // Journal of Systems Architecture - 2016. - V. 70 - P. 3-14.

102 Xu J., Fortes J.A. Multi-objective Virtual Machine Placement in Virtualized Data Center Environments // Proceedings of ACM International Conference on Cyber, Physical and Social Computing - 2010. - P. 179-188.

103 Yu Z., Fang L., Tao Z. Task scheduling algorithm based on genetic ant colony algorithm in cloud computing environment / University of Shanghai for Science and Technology - 2014. - P. 51-55.

104 Zhang L., Li K., Li C., Li K. Bi-objective workflow scheduling of the energy consumption and reliability in heterogeneous computing systems // Information Sciences Journal - 2017. - V. 379 - P. 241-256.

105 Zhu K., Ding Y. An Improved Research on Low Power Scheduling of Heterogeneous Multi Core Mission Based on Genetic Algorithm // Proceedings of 9th International Conference on Measuring Technology and Mechatronics Automation (ICMTMA-2017) - 2017. - DOI: 10.1109/ICMTMA.2017.0059

106 Zhu W., Zhuang Y., Zhang L. A three-dimensional virtual resource scheduling method for energy saving in cloud computing // Future Generation Computer Systems Journal - 2017. - V. 69 - P. 66-74.

107 Болодурина, И. П. Функциональная модель симулятора облачной системы по предоставлению гибридных облачных услуг образовательным организациям / И. П. Болодурина, Л. В. Легашев // Современные наукоемкие технологии - 2017. - № 4, C. 28-32.

108 Болодурина, И. П. Интеллектуальные алгоритмы управления облачными образовательными ресурсами / И. П. Болодурина, Л. В. Легашев, Л. М.

Анциферова // Сборник статей XXXII Междунар. науч.-техн. конф. (г. Пенза, 6-8 июня 2017 г.) - Пенза: Изд-во ПГУ - 2017. - Т. 1. - С. 97-100.

109 Легашев, Л. В. Имитационная модель облачного ресурсного центра / Л. В. Легашев, И. П. Болодурина, П. Н. Полежаев // Интеллект. Инновации. Инвестиции. - 2016. - №2 - С. 113-116.

110 Болодурина, И. П. Симулятор регионального центра коллективного доступа к образовательным программным продуктам / И. П. Болодурина, А. Е. Шухман, П. Н. Полежаев, Л. В. Легашев // «Проблемы техники и технологий телекоммуникаций» ПТиТТ-2016. Материалы XVII Международной научно-технической конференции (г. Самара, 22-24 ноября 2016 г.). - Казань: ООО «16ПРИНТ», 2016. - С. 84-85.

111 Бухановский, А. В. CLAVIRE: перспективная технология облачных вычислений второго поколения / А. В. Бухановский, В. Н. Васильев, В. Н. Виноградов, Д. Ю. Смирнов, С. А. Сухоруков, Т. Г. Яппаров // НАУЧНО-ТЕХНИЧЕСКИЙ ЖУРНАЛ. «Известия высших учебных заведений. Приборостроение» - 2011. - Т. 54 - № 10 - С. 7-13.

112 Величко, А. С. Облачный сервис для интерактивного моделирования межтерриториальной торговли / А. С. Величко, В. В. Грибова, Л. А. Федорищев // Моделирование и анализ информационных систем - 2016. - Т. 23 - № 4 - С. 412426, DOI: 10.18255/1818-1015-2016-4-412-426

113 Грибова, В. В. Облачный сервис «Параллельный Matlab» / В. В. Грибова, М. Л. Гольдштейн, А. В. Созыкин, Ф. М. Москаленко // Программные продукты и системы - 2013. - № 4. - С.137-141.

114 Грибова, В. В. Инструментальный сервис для создания виртуальных интерактивных облачных сред / В. В. Грибова, Л. А. Федорищев // International Journal «Information Technologies & Knowledge» - 2013. - V .7, No. 3 - P. 277-281.

115 Грибова, В. В. Программный комплекс для разработки облачных виртуальных сред / В. В. Грибова, Л. А. Федорищев // Программные продукты и системы - 2015. - № 2. - С. 60-64. DOI: 10.15827/0236-235X.110.060-064

116 Коваленко, В. Н. Управление параллельными заданиями в гриде с неотчуждаемыми ресурсами / В. Н. Коваленко, Е. И. Коваленко, Д. А. Корягин, Д. А. Семячкин // Институт прикладной математики им. В. Келдыша Российской академии наук. - Москва - 2007. - URL: http://www.keldysh.ru/papers/2007/source/prep2007_63.doc (Дата обращения: 04.08.2015).

117 Коваленко, О. С. Обзор проблем и состояний облачных вычислений и сервисов / О. С. Коваленко, В. М. Курейчик // Известия Южного федерального университета. Технические науки. - 2012. - Т. 132. - №. 7 - С. 146-153.

118 Коган, Д. И. Задачи и методы конечномерной оптимизации: ч. 3. Динамическое программирование и дискретная многокритериальная оптимизация / Д. И. Коган // Н. Новгород: Изд-во НГУ, 2004. - 157 с.

119 Коннов, А. Л. Моделирование облачных научно-образовательных ресурсных центров / А. Л. Коннов, Л. В. Легашев, П. Н. Полежаев, Ю. А. Ушаков, А. Е. Шухман // Интеллект. Инновации. Инвестиции, 2013. - №4. - С. 135-140.

120 Костенецкий, П. С. Создание образовательной платформы "Персональный виртуальный компьютер" на базе облачных вычислений / П. С. Костенецкий, А. И. Семёнов, Л. Б. Соколинский // Научный сервис в сети Интернет: экзафлопсное будущее: Труды международной научной конференции (19-24 сентября 2011 г., г. Новороссийск). М.: Изд-во МГУ - 2011. - С. 374-377.

121 Легашев, Л. В. Особенности планирования размещения виртуальных машин для образовательных ресурсных центров / Л. В. Легашев, П. Н. Полежаев, О. А. Кондрашова // «Проблемы техники и технологий телекоммуникаций» ПТиТТ-2013. Материалы XI Международной научно-технической конференции -2013. - С. 129-131.

122 Легашев, Л. В. Создание ресурсных центров для образовательных учреждений / Л. В. Легашев, П. Н. Полежаев, О. А. Кондрашова // Инновационные технологии в образовании и научно-исследовательской работе.

Материалы VI научно-методической конференции с международным участием. -Оренбург - 2013. - С. 83-87.

123 Полежаев П. Н. Модельное исследование эффективного планирования задач для облачных вычислительных систем / П. Н. Полежаев, А. Е. Шухман, Ю. А. Ушаков, Л. В. Легашев, В. Н. Тарасов // Интеллект. Инновации. Инвестиции, - 2013. - №4. - С. 140-146.

124 Лемешко, Б. Ю. Об устойчивости и мощности критериев проверки однородности средних / Б. Ю. Лемешко, С. Б. Лемешко // Измерительная техника - 2008. - № 9. - С.23-28.

125 Полежаев, П. Н. Алгоритмы планирования вычислений и поддержки принятия решений для облачных ресурсных центров / П. Н. Полежаев, Л. В. Легашев, А. Е. Шухман, Ю. А. Ушаков // «Проблемы техники и технологий телекоммуникаций» ПТиТТ-2016. Материалы XVII Международной научно-технической конференции (г. Самара, 22-24 ноября 2016 г.). - Казань: ООО «16ПРИНТ», 2016. - С. 115-116.

126 Полностью управляемые и защищенные виртуальные облачные рабочие столы на AWS / Amazon web services, 2016. - URL: https://aws.amazon.com/ru/workspaces/ (Дата обращения: 08.01.2016).

127 Родзин, С. И. Теоретические вопросы и современные проблемы развития когнитивных биоинспирированных алгоритмов оптимизации (обзор) / С. И. Родзин, В. В. Курейчик // Кибернетика и программирование - 2017. - № 3 -С. 51-79.

128 Соловьев, В. П. Метод планирования размещения группы виртуальных машин с перераспределением ресурсов / В. П. Соловьев, А. О. Удовиченко // Журнал «Программные продукты и системы» - 2012. - № 1. - С. 134-138.

129 Сыщиков, А. Ю. Точный метод построения статического отображения среднегранулярных параллельных вычислений на гетерогенную параллельную платформу / А. Ю. Сыщиков, Ю. Е. Шейнин // Высокопроизводительные параллельные вычисления на кластерных системах: материалы шестого

Международного научно-практического семинара - Санкт-Петербург: Изд-во Санкт-Петербургского госуниверситета - 2007. - Т. 2. - С. 171-178.

130 Ушаков, Ю. А. Использование частного облака для преподавания дисциплин, связанных с информационными технологиями / Ю. А. Ушаков // Современные тенденции естественно-математического образования - 2016. - С. 88-91.

131 Шухман, А. Е. Создание регионального центра коллективного доступа к образовательным программным продуктам на базе облачных технологий / А. Е. Шухман, И. П. Болодурина, П. Н. Полежаев, Ю. А. Ушаков, Л. В. Легашев // Материалы XI Международной научно-практической конференции «Современные информационные технологии и ИТ-образование» - 2016. - С. 8391.

132 Шухман, А. Е., Использование облачных технологий при создании регионального центра коллективного доступа к образовательным продуктам. Монография / А. Е. Шухман, И. П. Болодурина, А. Л. Коннов, Л. В. Легашев, П. Н. Полежаев, Д. И. Парфёнов, Ю. А. Ушаков. - Оренбург: Издательско-полиграфический комплекс ОГУ - 2017. - 160 с. Усл. печ. л. 10,0.