Модель і метод консолідації віртуальних машин хмарного ЦОД із застосуванням квантових алгоритмів
DOI:
https://doi.org/10.33216/1998-7927-2026-303-5-5-10Ключові слова:
квантова симуляція, квантовий хмарний сервіс, квантовий розв’язувач, квантовий алгоритм наближеної оптимізації, CUBO, XQM, квантовий відпалАнотація
Застосування квантових та квантово-класичних алгоритмів для розв’язання широкого кола задач оптимізації набуває все більшого поширення. У цій статті запропоновано застосування квантово-класичних алгоритмів для розв’язання задачі розподілу віртуальних машин по фізичних серверах хмарного центру оброблення даних, яка відноситься до класу задач про пакування в ємності. Хмарні центри оброблення даних стають складнішими та масштабнішими, що зумовлює розроблення ефективніших алгоритмів консолідації віртуальних машин для максимізації використання ресурсів та мінімізації споживання електроенергії. Методи планування, які використовувались на ранніх етапах розвитку хмарних обчислень, простіші в реалізації, але погано працюють у динамічних сценаріях, оскільки вони не враховують складні обмеження та не підтримують багатоцільову оптимізацію. У цих умовах квантові обчислення надають можливість подолання комбінаторних проблем завдяки своїй здатності одночасно оброблювати багато станів.
Задача консолідації віртуальних машин сформульована у формі QUBO/Ising. Виконано порівняльний аналіз квантових фреймворків (SimulatedAnnealingSampler і QAOA), які є прямими класичними імітаціями двох основних архітектур квантових обчислень (annealing та gate-model відповідно) та класичних базових алгоритмів MBFD та CP-SAT у термінах масштабованості (розмір задачі), якості знайденого рішення (кількість активних фізичних серверів відносно точного оптимуму та коефіцієнт апроксимації відносно точного оптимуму), а також часу виконання алгоритму. Запропоновані модель ЦОД та гібридний квантово-класичний алгоритм розміщення віртуальних машин на фізичних серверах реалізовані мовою Python.
Результати статті отримані без використання квантового апаратного забезпечення, але розроблене програмне забезпечення моделювання може безпосередньо використовувати квантові процесори, що доступні за допомогою сервісу Amazon Braket.
Посилання
1. Flexera 2026 State of the Cloud Report: The convergence of cloud and value. URL: https://www.flexera.com/blog/finops/flexera-2026-state-of-the-cloud-report-the-convergence-of-cloud-and-value/ (дата звернення: 30.05.2026).
2. Хмарний ринок України у 2025 році. URL: https://delo.ua/news-companies/xmarnii-rinok-ukrayini-u-2025-roci-451838/ (дата звернення: 05.06.2026).
3. Barroso L. A., Hölzle U., Ranganathan P. The Datacenter as a Computer: Designing Warehouse-Scale Machines. 2026. 347 p. DOI: https://doi.org/10.1007/978-3-031-99489-0.
4. Rozehkhani S. M., Mahan F., Pedrycz W. VM consolidation steps in cloud computing: A perspective review // Simulation Modelling Practice and Theory. 2024. Vol. 138. Article 103034. DOI: https://doi.org/10.1016/j.simpat.2024.103034.
5. Lambert S., Ostapenco V., Lefèvre L., Caron E., Orgerie A. C., Fichel B., Grivel R. Revisiting virtual machine consolidation to save resources and energy in heterogeneous production cloud infrastructures // The International Journal of High Performance Computing Applications. 2026. Vol. 40, No. 3. P. 383–403. DOI: https://doi.org/10.1177/10943420251399694.
6. Zharikov E., Telenyk S. Performance Analysis of a Dynamic Virtual Machine Management Method Based on the Power-Aware Integral Estimation // Electronics. 2021. Vol. 10, No. 21. Article 2581. DOI: https://doi.org/10.3390/electronics10212581.
7. Telenyk S., Zharikov E., Rolik O. Consolidation of virtual machines using simulated annealing algorithm // 2017 12th International Scientific and Technical Conference on Computer Sciences and Information Technologies (CSIT). IEEE, 2017. Vol. 1. P. 117–121.
8. El-Taani I., Boukala M. C., Bouzefrane S., Amrous A. I. Efficient VM consolidation: deep reinforcement learning approach based PM workload awareness // Annals of Telecommunications. 2026. Vol. 81, No. 3. P. 191–210. DOI: https://doi.org/10.1007/s12243-025-01100-5.
9. Panwar S. S., Rauthan M. M. S., Barthwal V., Mehra N., Bhatt C., Rawat R. S. Efficient Energy-Aware Genetic approach for Placing Virtual Machines in cloud data centers // Procedia Computer Science. 2026. Vol. 283. P. 1113–1122.
10. Rana N., Jeribi F., Khan Z., Alrawagfeh W., Ben Dhaou I., Haseebuddin M., Uddin M. A systematic literature review on contemporary and future trends in virtual machine scheduling techniques in cloud and multi-access computing // Frontiers in Computer Science. 2024. Vol. 6. Article 1288552. DOI: https://doi.org/10.3389/fcomp.2024.1288552.
11. Jiang Y., Wang X., Liang Z., Li Y., Morstyn T., Lopes P. L., Brandsema M. J. QAOA-Driven PMU placement optimization with graph learning-based parameter initialization refinement // Quantum Machine Intelligence. 2026. Vol. 8, No. 1. Article 32. DOI: https://doi.org/10.1007/s42484-026-00354-z.
12. Farhi E., Goldstone J., Gutmann S. A quantum approximate optimization algorithm : arXiv preprint arXiv:1411.4028. 2014. URL: https://arxiv.org/pdf/1411.4028 (дата звернення: 10.06.2026).
13. Peruzzo A., McClean J., Shadbolt P., Yung M. H., Zhou X. Q., Love P. J., O'Brien J. L. A variational eigenvalue solver on a photonic quantum processor // Nature Communications. 2014. Vol. 5, No. 1. Article 4213. DOI: https://doi.org/10.1038/ncomms5213.
14. Tackle Complex Problems with Annealing Quantum Computing. URL: https://www.dwavequantum.com/solutions-and-products/systems/annealing-quantum-computing/ (дата звернення: 21.06.2026).
15. Amoretti M., Ferrari D., Manzalini A. Classical and Quantum Solvers for Joint Network/Servers Power Optimization : arXiv preprint arXiv:2205.01165. 2022. URL: https://arxiv.org/pdf/2205.01165 (дата звернення: 27.06.2026).
16. Patil M., Mhetre S. S. Optimizing Distributed Systems With Quantum Computing // International Journal of Advances in Signal and Image Sciences. 2025. P. 683–700.
17. Divya N., Kiranbabu M. N. V., Babu G. C. Quantum-Inspired Adaptive Meta-Heuristic–Machine Learning framework for resilient and energy-efficient task scheduling in multi-cloud ecosystems // Scientific Reports. 2026. Vol. 16, No. 1. Article 21212. DOI: https://doi.org/10.1038/s41598-026-43125-3.
18. Jayaraman S., Premkumar R., Raguraman H., Visuwasam L. M. M. A Quantum-Assisted Framework for Energy-Efficient Cloud Task Scheduling Using the Quantum Approximate Optimization Algorithm and Variational Quantum Eigensolver // 2025 International Conference on Computing Technologies & Data Communication (ICCTDC). IEEE, 2025. P. 1–6.
19. Christeson T., Ullah M. H., Arabnya A., Khodaei A., Fan R. Hybrid Quantum-Classical Optimization of the Resource Scheduling Problem // Next Research. 2026. Article 101350. DOI: https://doi.org/10.1016/j.nexres.2026.101350.
20. Amazon Braket Getting Started. URL: https://aws.amazon.com/ru/braket/getting-started/ (дата звернення: 29.06.2026).
21. Welcome to Quantum Cloud Services. URL: https://docs.rigetti.com/qcs/ (дата звернення: 30.06.2026).
22. IBM Quantum Platform. URL: https://quantum.cloud.ibm.com/ (дата звернення: 30.06.2026).
23. Cirq, an open source framework for programming quantum computers. URL: https://quantumai.google/cirq (дата звернення: 01.07.2026).
24. Azure Quantum Computing | Microsoft Azure. URL: https://azure.microsoft.com/en-us/solutions/quantum-computing/#features (дата звернення: 01.07.2026).
25. Strangeworks homepage. URL: https://strangeworks.com/ (дата звернення: 02.07.2026).
26. Goyal S., Awasthi L. K., Garg V., Kumar G. Multi-resource aware virtual machine consolidation approach for modern cloud data centers // Computing. 2025. Vol. 107, No. 11. P. 1–32. DOI: https://doi.org/10.1007/s00607-025-01563-3.
27. Goyal S., Awasthi L. K. Adaptive multi-objective virtual machine consolidation for energy-efficient cloud data centers // Journal of Grid Computing. 2025. Vol. 23, No. 2. Article 21. DOI: https://doi.org/10.1007/s10723-025-09808-3.
28. Жаріков Е. В., Теленик С. Ф. Спеціалізоване програмне забезпечення для моделювання динамічної консолідації віртуальних машин // Проблеми програмування. 2022. № 1. С. 3–12.
29. Singh J., Walia N. K. A comprehensive review of cloud computing virtual machine consolidation // IEEE Access. 2023. Vol. 11. P. 106190–106209. DOI: https://doi.org/10.1109/ACCESS.2023.3314613.
30. Zharikov E., Telenyk S., Rolik O., Serdiuk Y. Cloud resource management with a hybrid virtual machine consolidation approach // 2019 IEEE International Conference on Advanced Trends in Information Theory (ATIT). IEEE, 2019. P. 289–294. DOI: https://doi.org/10.1109/ATIT49449.2019.9030459.
31. Powell M. J. A direct search optimization method that models the objective and constraint functions by linear interpolation // Advances in Optimization and Numerical Analysis. Dordrecht : Springer Netherlands, 1994. P. 51–67. DOI: https://doi.org/10.1007/978-94-015-8330-5_4.
##submission.downloads##
Опубліковано
Номер
Розділ
Ліцензія
Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.
