ANALYSIS OF MICROSERVICE ARCHITECTURE IN E-LEARNING ENVIRONMENT WITH MULTIVARIATE ACCESS TO LEARNING MATERIALS

Стремительный рост спроса на онлайн обучение дал импульс развитию LMS-системам. Этот рост стал ощутим с переходом на дистанционное обучение

Традиционные подходы к развитию образовательных ресурсов очень часто ограничиваются монолитной архитектурой, которая уменьшает возможность к адаптивности и препятствует масштабируемости. Появление микросервисной архитектуры (МСА), основанной на принципах сервис-ориентированной архитектуры, позволяет расширить возможности в этой области. Разбивая сложные системы на более простые автономные сервисы, МСА обеспечивает более гибкий и модульный процесс разработки.

Разработка программного обеспечения (ПО) для автоматизации обучения становится все более преобладающим фактором оптимизации различных аспектов учебного процесса. Автоматизированное ПО позволяет преподавателям и студентам получать доступ к образовательным материалам в любое время и с любого устройства, что делает процесс обучения индивидуальным и гибким.

Наблюдается тенденция активного и повсеместного применения технологий контейнеризации микросервисов в образовании. Сегодня контейнеризация является одним из самых популярных способов для упаковки и развертывания приложений

Технология контейнеризации является одним из ключевых трендов в области информационных технологий. Эта технология позволяет организовать и управлять ресурсами в виде изолированных контейнеров, что обеспечивает масштабируемость и безопасность. Интеграция микросервисной архитектуры на основе контейнеризации может значительно улучшить функциональность LMS-системы «Moodle», особенно в части сервиса для управления образовательными материалами и сервиса оценки знаний обучающихся.

Цель:реализации доступа к образовательным данным в системе управления процессом обучения с многовариантным доступом к данным для повышения эффективности организации образовательного процесса в LMS-системе «Moodle».

Задачи проекта:

1. Оценка существующей архитектуры LMS-системы «Moodle».

2. Разработка концепции микросервисной архитектуры, которая учитывает многовариантный доступ к образовательному контенту, включающий использование больших массивов структурированных, полуструктурированных и неструктурированных данных.

3. Определение настроек балансировки нагрузки в МСА реализации LMS-системы «Moodle».

Методы исследования: обзор литературы в области информатизации образования и применения технических средств в педагогическом процессе; анализ построения LMS-систем через возможные варианты организации очного или дистанционного обучения и их специфику в результате использования технологий контейнеризации и протоколов обмена данными между микросервисами; изучение и анализ педагогического опыта использования средств цифровизации образования; анализ существующих кейсов образовательных учреждений, которые используют микросервисы в LMS-системах; опросы компаний, предоставляющих ПО корпоративного уровня, о применении технологий контейнеризации и протоколов обмена данными между микросервисами в учебном процессе; анализ эффективности, масштабируемости микросервисов, реализованных в LMS-системах; обобщение полученных в результате анализа данных в виде концепции микросервисной архитектуры в системе управления процессом обучения; анализ метрик серверного оборудования для определения основных технических показателей при переходе от монолитной архитектуры к МСА.

Вопросы внедрения технологии контейнеризации и протоколов обмена данными между микросервисами в систему образования напрямую связаны с повышения эффективности, гибкости и масштабируемости образовательных систем и процессов. Микросервисная архитектура, широко применяемая в разработке программного обеспечения, предоставляет эффективные инструменты для организации учебного процесса.

Проведенный анализ зарубежных

Технология контейнеризации подразумевает, что каждый сервис может быть развернут и масштабирован независимо от других. Изоляция сервисов позволяет избежать «единой точки отказа» и уменьшить влияние отказов на другие компоненты системы. Микросервисы могут взаимодействовать между собой через API. Это позволяет разработчикам использовать различные технологии и языки программирования для каждого сервиса.

В настоящее время учебные курсы, включающиеаналитику данных, направлены на овладение обучающимися фундаментальных основ обработки данных и основан на четырех

Основываясь на содержательно-методических трекерах обучения курсу аналитики данных, сформированы специфические потребности к процессам управления образовательными материалами и проверки заданий обучающихся.

Рисунок 1 - Содержательно-методические линии курс обучения аналитики данных в департаменте информатики, управления и технологий МГПУ

DOI:10.60797/IRJ.2024.148.65.1

Обязательной составляющей процесса управления образовательными материалами являются данные или источники данных, работа с которыми предполагает:

– наличие актуального источника данных, или источника больших данных;

– хранение данных в специализированных СУБД, хранилищах данных, облачных системах;

– извлечение данных по запросу;

– визуализация результатов.

Процесс оценки заданий обучающихся требует интерпретации решения задания за счет оформление решений в специализированных платформах JupyterLab, Hadoop или Spark.

По своей структуре LMS-система «Moodle» является монолитной архитектурой, модули которого не могут запускаться независимо. На рисунке 2 представлена монолитная архитектуры LMS-системы «Moodle», в которой процессы оценки знаний и управления образовательными материалами не могут быть интегрированы, в связи с наличием типизированной СУБД и ограниченным хранилищем. При использовании такой архитектуры каждое приложение запускается одновременно, поскольку все модули приложения содержатся в одном общем приложении. Этот факт не позволяет расширять модульность управления процессом обучения с использованием внешних программных средств.

Рисунок 2 - Монолитная архитектура LMS-системы «Moodle»

DOI:10.60797/IRJ.2024.148.65.2

С использованием технологии контейнеризации и протоколов обмена данными между микросервисами, LMS-система «Moodle» может включать в себя микросервисы. В контексте обучения это означает разделение учебного процесса на несколько этапов или модулей, каждый из которых реализуется отдельным сервисом.

На основе проведенного анализа содержательно-методического трекера и подходов к процессу обучения курсам, включающих анализ структурированных

[9]

и неструктурированных данных

[10]

в департаменте информатики, управления и технологий МГПУ, спроектирована обобщенная структура организации работы системы управления процессом обучения (рис. 3), которая позволяет реализовать переход LMS-системы «Moodle» от монолитной архитектуры к микросервисной архитектуре.

Рисунок 3 - Микросервисная архитектура LMS-системы «Moodle»

DOI:10.60797/IRJ.2024.148.65.3

МСА реализовано в полной мере реализовано при хранении материалов курсов для LMS-системы «Moodle», и представлены в виде обособленных хранилищ данных, доступ к которым организовывается посредством изолированных микросервисов, представленных на рисунке 4.

Для реализации микросервисов выделены следующие контейнеризованные серверы:

– сервер реляционной базы данных (RDB);

– сервер хранилища больших данных (BigData);

– сервер хранилища неструктурированных данных (HadoopWH);

– сервер интерактивных отчетов (JupyterHUB).

 В результате получены два сервиса:

– сервис для управления образовательными материалами (СУОМ);

– сервис оценки знаний обучающихся (СОЗО).

Рисунок 4 - МСА хранилища LMS-системы «Moodle»

DOI:10.60797/IRJ.2024.148.65.4

СУОМ в результате сформированной концепции поддерживается благодаря двухуровневому кластеру данных: уровни определяются в зависимости от гетерогенности данных, используемых в образовательном процессе. Последний уровень в хранилище данных всегда является фильтром и источником данных конечных потребителей, в нашем случае это обучающиеся и преподаватели. К СУОМ могут подключаться как студенты, так и преподаватели и, не изменяя данных, их анализировать.

СОЗО основан на использовании блокнотов платформы JupyterLab, которая является основным инструментов для анализа данных и научных исследований. Платформа предоставляет ряд инструментов и функций, которые упрощают преподавателям создание и совместное использование интерактивных блокнотов, учебных материалов, которые используются в лекциях, онлайн-курсах и самостоятельной работе обучающихся.

Множественный доступ к образовательным материалам предоставляет разнообразные интерфейсы для разных групп пользователей (например, администраторы, преподаватели, руководители департамента и студенты при использовании микросервисов «RDB», «NORDB», «HadoopWH», «JupyterHUB» получают наборы данных в зависимости от их уровня доступа).

Каждый из микросервисов располагается на отдельном контейнезированном виртуальном сервере, который получает необходимый ресурс в соответствии с общими принципами балансировки нагрузки на систему. Модуль балансировки нагрузки настраивается на уровне ядра сервера каждого сервера-сервиса и предусматривает использование алгоритмов принятия решений на основе состояния системы.

Исследование проводилось на выделенном сервере: на базе Intel Xeon Gold 2x 5218 v4, с частотой 2,8 ГГц, возможностью многопоточности – 48 потоков, 32 ядра и 256 ГБ оперативной памяти, 6ТБ жесткий диск SAS,RAID 1+0.

Исследования проводились на однотипных 20 образовательных курсах, связанных с использованием больших массивов данных. Нагрузка осуществлялась с помощью программной системы моделирования, а также снятия метрик из системы мониторинга Zabbix

В табл. 1использованы следующие обозначения:

– CPU – средний процент загрузки ядер ЦП;

– MEM – среднее значение использования оперативной памяти;

– tср– среднее время ответа сервера;

– tсрRDB,tсрBD, tсрHWHсреднее время ответа баз данных соответственно для RDB, BigData, HadoopWH.

При оценке среднего времени доступа к системе, построенной на МСА, используется среднее время доступа ко всем микросервисам без учета «времени простоя» микросервиса в единицу времени.

Результаты исследования показали:

– при нагрузке до 500 пользователей и менее 20 образовательных курсов нет необходимости переходить на МСА;

– при ожидаемой нагрузке более 500 пользователей и использовании более 100 образовательных курсов монолитная архитектура не может обеспечить бесперебойную работу системы. Самой распространенной ошибкой в системе было превышение таймаута ответа при обращении к полуструктурированным данным (сервер BigData) и неструктурированным данным (сервер HadoopWH);

МСА позволяет обрабатывать более 10000 пользователей, за счет возможности использования балансировки нагрузки между микросервисами. Это также связано с распределенной обработкой запросов и кэшированием данных сервисов.

Исследование подтвердило ожидаемый результат от перехода монолитной архитектуры на МСАв случае многовариантного доступа к онлайн-ресурсам LMS-системы «Moodle», который заключался в целесообразности использования МСА в сильно нагруженных системах. Использование МСА особенно целесообразно в случае многовариантного доступа к онлайн-ресурсам LMS-системы «Moodle», когда происходит распределение пользователей по различным микросервисам, организующих доступ к разнородным хранилищам данных или СУБД.

При разработке системы МСА определены основные свойства микросервисов, которые необходимо предусмотреть для оптимального функционирования работы СУОМ и СОЗО. Небольшой размер микросервисов позволяет справляться с высокой нагрузкой при использовании сервиса. Независимость сервисов увеличивает надежность информационной системы.