СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУРРОГАТНО-АССИСТИРОВАННЫХ МЕТОДОВ ОПТИМИЗАЦИИ МИКРОСЕРВИСНЫХ АРХИТЕКТУР НА ОСНОВЕ ИНТЕГРАЛЬНОГО КРИТЕРИЯ ЭФФЕКТИВНОСТИ

Колесников А. Е. Мартыненко Т. В. Шуватова Е. А

Об авторах

Колесников А. Е. Мартыненко Т. В. Шуватова Е. А

Колесников Алексей Евгеньевич – студент магистратуры, Федеральное госу- дарственное бюджетное образовательное учреждение высшего образования «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артёма, 58. ORCID 0009-0001-8598-6547 Область научных интересов: микросервисные архитектуры, многокритериальная оптимизация, суррогатные модели.

Мартыненко Татьяна Владимировна – доцент, кандидат технических наук, доцент кафедры АСУ, Федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артёма, 58. ORCID 0000-0002-1483-8483 Область научных интересов: искусственный интеллект, методы оптимизации, глубокое обучение, цифровая обработка изображений.

Шуватова Екатерина Александровна – старший преподаватель кафедры АСУ, Федеральное государственное бюджетное образовательное учреждение высшего образования «Донецкий национальный технический университет», 283001, г. Донецк, ул. Артёма, 58. ORCID 0009 -0005-2406- 3609, Область научных интересов: микросервисные архитектуры, многокритериаль- ная оптимизация, суррогатные модели.

Скачать PDF

УДК: 004.852
DOI: 10.24412/2413-7383-2026-1-40-159-167
Язык: Русский

Аннотация: В работе проведён сравнительный анализ пяти суррогатно-ассистированных методов оптимизации конфигураций микросервисных архитектур: HGP-MOO, RL-MOO, sLQ-EVO, sPERT-EVO и sNSGA-II. Методы оценивались по точности суррогатных моделей предсказания ключевых показателей и качеству построенных Парето-фронтов. Исследование выполнено на основе интегрального критерия эффективности E(X) и признакового пространства, включающего бинарную матрицу распределения бизнес-функций и восемь ключевых характеристик производительности, надёжности, ресурсной эффективности и структурной сложности. Цель исследования — обосновать выбор наиболее подходящего метода для интеграции в систему автоматизированной оценки и оптимизации микросервисных архитектур.

Ключевые слова: микросервисная архитектура, оптимизация, суррогатные модели, интегральный критерий эффективности, Парето-фронт

Список литературы

1. Баланов А. Построение микросервисной архитектуры и разработка высоконагруженных приложений. М.: Горячая линия – Телеком, 2020. 280 с.
2. Ньюмен С. Создание микросервисов: принципы, технологии, культура. СПб.: Питер, 2017. 320 с.
3. Ричардсон К. Микросервисы: паттерны разработки и рефакторинга. М.: ДМК Пресс, 2019. 544 с.
4. Колесников А. Е. Анализ подходов к разработке и оптимизации микросервисных систем / А. Е. Колесников, Т. В. Мартыненко, Е. А. Шуватова // Информатика, управляющие системы, математическое и компьютерное моделирование (ИУСМКМ-2025). Донецк: ДонНТУ, 2025. С. 122-127. EDN PIVOYL.
5. Li Q. et al. RAMBO: Resource Allocation for Microservices Using Bayesian Optimization // IEEE Transactions on Services Computing. 2021. Vol. 14. No. 1. P. 45–58.
6. Zhang Y. et al. A Surrogate-Assisted Multiconcept Optimization Framework for Real-World Engineering Design // Journal of Mechanical Design. 2025. Vol. 147. No. 12. P. 121701. Сравнительный анализ суррогатно-ассистированных методов оптимизации… К
7. Chen Y. et al. An effective surrogate model assisted algorithm for multi-objective optimization // Frontiers in Energy Research. 2023. Vol. 11. Article 1239332.
8. Nazari A. et al. Surrogate-Assisted Multi -Objective Design Optimization // IEEE Access. 2024. Vol. 12. P. 10667108.
9. Liu X. et al. Surrogate-assisted global and distributed local collaborative optimization // Scientific Reports. 2025. Vol. 15. Article 85233.
10. Павленко Б. В. Пикалёв Я. С. Методика создания набора аэрофотоснимков для задачи перекрёст- ной геолокализации // Проблемы искусственного интеллекта. 2024. № 4 (35). С. 101–112. DOI: 10.24412/2413-7383-2024-4-101-112.
11. Пикалёв Я. С. Обнаружение ключевых объектов и перекрёстная геолокализация: анализ наборов дан ных и методологические перспективы // Проблемы искусственн ого интеллекта. 2024. Т. 35. № 4. С. 25 –37.
12. Зуев В. М. Иванова С. Б. Оценка собственного местоположения аппарата на основе анализа видеоизображения // Проблемы искусственного интеллекта. 2024. Т. 33. № 2. С. 21–28.
13. Устенко А. А. Оптимизация предварительной оценки компетенций кандидатов в сфере IT-технологий с использованием Microsoft ML Builder // Проблемы искусственного интеллекта. 2024. № 3 (34). С. 89–102.
14. Колесников А. Е. Мартыненко Т. В. Шуватова Е. А. Разработка комплексного критерия для оценки качества микросервисной архитектуры // Сборник материалов IX Всероссийской научно-технической конференции с международным участием «Современные информационные технологии в образовании и научных исследованиях» (СИТОНИ-2025). Донецк, 20 ноября 2025 г. С. 140-144.
15. Нестеренко В.В. Методы многокритериальной оптимизации. М.: Наука, 2011. 280 с.
16. Гунь А. В. Четырёхуровневая архитектура совместной оптимизации в интеллектуальных системах принятия решений // Проблемы искусственного интеллекта. 2025. № 3 (38). С. 134–147.
17. He C. et al. A Surrogate-Assisted Multi-Objective Evolutionary Algorithm with Dimension Reduction for Expensive Problems // IEEE Transactions on Evolutionary Computation. 2024.
18. Sun Y. et al. Preference Model-Based Surrogate-Assisted Evolutionary Algorithms for Multi-Objective Optimization // Information Sciences. 2025.
19. DebBarman S. et al. Machine learning and time–frequency feature framework for optimal DER planning in radial networks // Egyptian Informatics Journal. 2026. Vol. 33. Article 100928.
20. Khalil M.I.K. et al. A multi-objective optimisation approach with improved pareto-optimal solutions to enhance economic and environmental dispatch in power systems // Scientific Reports. 2024. Vol. 14. Article 62904.
21. Liu R. et al. A multi-task genetic programming approach for online multi-objective container placement in heterogeneous cluster // Complex & Intelligent Systems. 2025.

Выпуск: 1(40)'2026
Раздел: СИСТЕМНЫЙ АНАЛИЗ, УПРАВЛЕНИЕ И ОБРАБОТКА ИНФОРМАЦИИ, СТАТИСТИКА
Как цитировать: Колесников А. Е. Мартыненко Т. В. Шуватова Е. А. СРАВНИТЕЛЬНЫЙ АНАЛИЗ СУРРОГАТНО-АССИСТИРОВАННЫХ МЕТОДОВ ОПТИМИЗАЦИИ МИКРОСЕРВИСНЫХ АРХИТЕКТУР НА ОСНОВЕ ИНТЕГРАЛЬНОГО КРИТЕРИЯ ЭФФЕКТИВНОСТИ // Проблемы искусственного интеллекта. - 2026. - № 1 (40). - С. 159-167. - https://paijournal.guiaidn.ru/ru/2026/1(40)-14.html

Назад к выпуску 1(40)'2026