##plugins.themes.bootstrap3.article.main##
Анотація
У статті розглянуто підхід до імітаційного моделювання систем масового обслуговування (СМО) із динамічною зміною кількості приладів обслуговування в процесі роботи системи. Актуальність дослідження зумовлена потребою підвищення ефективності використання обчислювальних ресурсів у сучасних хмарних та розподілених середовищах, де навантаження змінюється у часі, а статична конфігурація серверів не забезпечує оптимальної продуктивності. Метою роботи є дослідження можливостей моделювання процесів адаптивного масштабування ресурсів (автоскейлінгу) у середовищі GPSS World, що дозволяє відтворити поведінку системи зі змінною кількістю каналів обслуговування без використання складних аналітичних методів. Модель реалізовано мовою GPSS World з використанням механізмів STORAGE, QUEUE, TEST, ENTER, LEAVE та додаткових логічних структур, які забезпечують імітацію динамічного керування кількістю активних приладів залежно від довжини черги. Для уникнення обмежень Student-версії GPSS (відсутність ALTER, SAVEVALUE) застосовано квиткову (token-based) логіку, яка підтримує баланс між мінімальною та максимальною кількістю серверів. Такий підхід дозволяє реалізувати політику автоскейлінгу на основі двох порогів — верхнього для активації нових ресурсів і нижнього для їх звільнення, забезпечуючи стабільність системи та відсутність частих коливань (“flapping”). Проведено серію експериментів, у яких відтворено циклічне навантаження типу «бурстів» — періоди активності чергуються з періодами спокою. Для кожного кроку моделювання фіксувалися основні метрики: довжина черги, кількість активних серверів, кількість доступних квитків для масштабування вгору та вниз. Результати показали, що розроблена модель коректно реагує на зміни навантаження, своєчасно додаючи або виводячи ресурси з роботи. Середня кількість активних серверів становила близько трьох при середній довжині черги ≈2,5 заявки, що свідчить про ефективне використання ресурсів і мінімальні затримки обслуговування. Отримані результати підтверджують можливість реалізації адаптивного масштабування у GPSS навіть без спеціалізованих розширень. Запропонована схема може бути використана для навчальних і дослідницьких цілей, а також для побудови спрощених моделей автоскейлінгу в хмарних і мікросервісних інфраструктурах. Практична цінність роботи полягає у формуванні методики моделювання систем із динамічною структурою ресурсів, що сприяє підвищенню ефективності планування обчислювальних потужностей та підготовці фахівців у галузі комп’ютерної інженерії та інформаційних технологій.
##plugins.themes.bootstrap3.article.details##
Посилання
[2]. X. Chen, R. Bahsoon, and G. Theodoropoulos, “Self-Adaptive and Online QoS Modeling for Cloud-Based Software Services,” IEEE Transactions on Software Engineering, vol. 42, no. 5, pp. 421–438, 2016.
[3]. T. Lorido-Botran, J. Miguel-Alonso, and J. A. Lozano, “A Review of Auto-Scaling Techniques for Elastic Applications in Cloud Environments,” Journal of Grid Computing, vol. 12, no. 4, pp. 575–592, 2014.
[4]. D. Gross, J. F. Shortle, J. M. Thompson, and C. M. Harris, Fundamentals of Queueing Theory, 5th ed. Hoboken, NJ: Wiley, 2018.
[5]. G. Bolch, S. Greiner, H. de Meer, and K. S. Trivedi, Queueing Theory 1: Advanced Trends. Hoboken, NJ: Wiley, 2021.
[6]. S. Alharthi, A. Alshamsi, A. Alseiari, and A. Alwarafy, “Auto-Scaling Techniques in Cloud Computing: Issues and Research Directions,” Sensors, vol. 24, no. 17, article 5551, 2024, doi: 10.3390/s24175551.
[7]. G. Giambene, Queuing Theory and Telecommunications: Networks, Systems and Applications, 3rd ed. Cham, Switzerland: Springer International Publishing, 2021.
[8]. J. Banks, J. S. Carson II, B. L. Nelson, and D. M. Nicol, Discrete-Event System Simulation, 5th ed. Upper Saddle River, NJ: Prentice Hall / Pearson, 2010.
[9]. A. Jerbi, Discrete-Event Simulation: Concepts and Production in Arena. Hoboken, NJ: Wiley-ISTE, 2024.
[10]. A. M. Law, Simulation Modeling and Analysis, 5th ed. New York: McGraw-Hill Education, 2015.
[11]. M. Pidd, Computer Simulation in Management Science, 6th ed. Chichester, UK: John Wiley & Sons, 2004.
[12].GPSS World Reference Manual, 2023. [Online]. Available: https://athena.ecs.csus.edu/~mitchell/csc148/gpssW/Reference%20Manual/reference_manual.htm [Accessed: Nov. 10, 2025].
[13]. Kubernetes Documentation, Horizontal Pod Autoscaler (HPA). [Online]. Available: https://kubernetes.io/docs/tasks/run-application/horizontal-pod-autoscale/ [Accessed: Nov. 10, 2025].
[14]. Microsoft Azure, Virtual Machine Scale Sets (VMSS). [Online]. Available: https://learn.microsoft.com/en-us/azure/virtual-machine-scale-sets/ [Accessed: Nov. 10, 2025].
[15]. Amazon Web Services, Auto Scaling Documentation. [Online]. Available: https://docs.aws.amazon.com/autoscaling/ [Accessed: Nov. 10, 2025].