Approach to hybrid load management in Fat-Tree web clusters

Скорочена інформація про документ
dc.contributor.authorRadchenko, Kostiantyn
dc.contributor.authorChernenkyi, Artem
dc.date.accessioned2026-02-06T11:45:02Z
dc.date.available2026-02-06T11:45:02Z
dc.date.issued2025
dc.description.abstractThe paper presents an approach to hybrid load management in a web cluster that is capable of providing adaptive request balancing based on load prediction and resilience to random web server failures. The proposed architecture is built upon the Fat-Tree topology, which ensures high scalability, structural redundancy, and efficient routing within the cluster network. The developed system performs load forecasting using moving average methods and Erlang-based queueing models, enabling the estimation of overload probabilities and proactive redistribution of computational resources. Four representative simulation scenarios were analyzed: baseline load, peak load, dynamic traffic variations, and random server failures. The obtained results demonstrate enhanced system reliability, reduced average response time, and more balanced utilization of cluster resources. In the context of rapidly growing web services and user traffic volumes, the issue of maintaining high reliability and efficiency of clustered infrastructures becomes increasingly significant. Even with robust topologies such as Fat-Tree, irregular traffic patterns and sudden surges in client requests can cause local overloads and performance degradation. Random node failures further complicate cluster management, necessitating the use of adaptive and predictive control mechanisms. The proposed model integrates Fat-Tree network simulation with statistical forecasting algorithms, forming the basis for proactive load management. This integration allows for minimizing service degradation risks, dynamically responding to workload changes, and maintaining stable operation of web infrastructures under partial node failures. The architecture shows strong potential for real-time implementation in large-scale distributed web systems. It can be further enhanced by incorporating machine learning or wavelet-based forecasting methods to improve the accuracy of load estimation and system adaptability.
dc.description.abstractotherУ статтi представлений пiдхiд до гiбридного керування навантаженням у вебкластерi, що здатензабезпечувати адаптивне балансування запитiв на основi прогнозування навантаження та врахуваннявипадкових вiдмов вебсерверiв. Як топологiчну основу обрано архiтектуру Fat-Tree, що характеризуєтьсявисокою масштабованiстю, структурною надмiрнiстю та ефективнiстю маршрутизацiї. Запропонована системаздiйснює прогнозування навантаження за допомогою ковзного середнього та моделей черг типу Ерланга, щодозволяє оцiнювати ймовiрнiсть перевантаження окремих вузлiв i здiйснювати проактивне перерозподiленняресурсiв. У процесi моделювання розглянуто чотири типовi сценарiї функцiонування кластера: базове, пiковета динамiчне навантаження, а також випадковi вiдмови серверiв. Отриманi результати свiдчать пропiдвищення вiдмовостiйкостi системи, зменшення середнього часу вiдгуку та бiльш рiвномiрне використанняобчислювальних ресурсiв. У сучасних умовах iнтенсивного зростання кiлькостi вебсервiсiв i користувацькоготрафiку актуальним є питання забезпечення надiйностi та ефективностi кластерних iнфраструктур. Навiть завикористання стiйких топологiй, таких як Fat-Tree, нерiвномiрнiсть запитiв i пiковi навантаження здатнiспричиняти локальнi перевантаження або зниження продуктивностi. Випадковi вiдмови вузлiв додатковоускладнюють управлiння системою, що потребує впровадження механiзмiв адаптивного прогнозногокерування. Розроблена модель iнтегрує мережеве моделювання Fat-Tree з алгоритмами статистичного аналiзу,створюючи основу для побудови проактивної системи балансування навантаження. Такий пiдхiд дозволяєзменшити ризик деградацiї сервiсу, своєчасно реагувати на змiни у трафiку та пiдтримувати стабiльну роботувебiнфраструктури навiть за умов часткових вiдмов. Запропонована архiтектура демонструє значний потенцiалдля практичної реалiзацiї у масштабованих вебсервiсах. Її можна додатково вдосконалити за рахуноквпровадження методiв машинного навчання або вейвлет-прогнозування для пiдвищення точностi оцiнкинавантаження та адаптивностi системи.
dc.format.pagerangeP. 23-38
dc.identifier.citationRadchenko, K. Approach to hybrid load management in Fat-Tree web clusters / Kostiantyn Radchenko, Artem Chernenkyi // Information, Computing and Intelligent systems. – 2025. – No. 7. – P. 23-38. – Bibliogr.: 19 ref.
dc.identifier.doihttps://doi.org/10.20535/2786-8729.7.2025.338564
dc.identifier.orcid0000-0002-1282-6307
dc.identifier.orcid0009-0005-6925-4361
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/78683
dc.language.isoen
dc.publisherNational Technical University of Ukraine "Igor Sikorsky Kyiv Polytechnic Institute"
dc.publisher.placeKyiv
dc.relation.ispartofInformation, Computing and Intelligent systems, No. 7, 2025
dc.rights.urihttps://creativecommons.org/licenses/by/4.0/
dc.subjectload forecasting
dc.subjectweb cluster
dc.subjectFat-Tree topology
dc.subjectfault tolerance
dc.subjecttraffic balancing
dc.subjectstochastic failures
dc.subjectпрогнозування навантаження
dc.subjectвебкластер
dc.subjectFat-Tree топологiя
dc.subjectвiдмовостiйкiсть
dc.subjectбалансуваннятрафiку
dc.subjectстохастичнi вiдмови.
dc.subject.udc004.056.55 (519.8)
dc.titleApproach to hybrid load management in Fat-Tree web clusters
dc.title.alternativeПідхід до гібридного керування навантаженням у вебкластерах Fat-Tree
dc.typeArticle

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
23-38.pdf
Розмір:
1.13 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Information, Computing and Intelligent systems, No. 7