THE ASPECTS OF USING THE SONM PLATFORM FOR CLOUD COMPUTING

В настоящее время появляются новые возможности облачных вычислений и хранения данных, которые трансформируют бизнес-процессы. По мере роста IT-нагрузки облачные технологии становятся более дорогостоящими, что вызвано затратами облачных провайдеров на строительство дата-центров, создание сетевой инфраструктуры и закупку серверного оборудования. Больше половины рынка облачных услуг [1] приходится на три компании – Amazon Web Services, Microsoft Azure и Google Cloud Platform. На рынке облачных серверов и хранения данных у них мало конкурентов на мировом рынке. География расположения их серверов достаточно ограниченная. Конкуренты сосредоточены в основном на региональных рынках, когда, например, возникает необходимость соблюдать законы о хранении персональных данных, в том числе в странах Европы – GDPR, вступивший в силу 25 мая 2018 года.

На рынке также работают и компании, которые предоставляют бизнесу отдельные физические сервера. Например, SoftLayer, OVH, LeaseWeb, Hetzner.

Можно выделить еще одну категорию поставщиков облачных услуг – компании, предоставляющие недорогие виртуальные машины, такие как Digital Ocean, Vultr. Эти компании предлагают свои виртуальные машины за $3-5, но это очень маленький и низкомаржинальный рынок.

Сегодня мир находится в середине, если не в начале пути перехода экономической модели с CAPEX на OPEX, по крайней мере, с точки зрения переноса вычислительных инфраструктур из собственного компьютера и собственной сети предприятия на облачные сервера. Лишь в США этот переход произошел в 60-70% компаний, однако в большинстве европейских стран этот показатель находится на уровне 10-20%. Поиск альтернативных вариантов является весьма актуальным.

В качестве альтернативы облачным серверам хранения и обработки данных может использоваться SONM, а для последующего выбора одной из них исходя из требований и предпочтений конечных пользователей – метод анализа иерархий, основанный на методе парных сравнений.

SONM [2] (Суперкомпьютер на основе сетевого майнинга Supercomputer Organized by Network Mining) – это проект по использованию майнинговых компьютеров в качестве узлов географически разнесенного по планете суперкомпьютера, способного решать сложные и ресурсозатратные проблемы самых разных видов.

Платформа SONM предлагает использование свободных мощностей уже работающего оборудования: ПК, серверов и майнинговых ферм для туманных вычислений. Он был создан для эффективного использования всей этой обширной инфраструктуры: это торговая площадка, где пользователи могут «продавать» вычислительные ресурсы своих устройств. При таком подходе потребители не тратят деньги на покупку нового оборудования и создание центров обработки данных, а используют совокупные вычислительные мощности владельцев ПК и серверов для решения своих вычислительных задач. Таким образом, модель туманных вычислений станет альтернативой серверам Amazon и Google и на местном уровне решит проблемы, поднятые законодательством о хранении данных

SONM в этом плане не эксклюзивный вариант. Уже существует iExec (I Execute) – распределенная вычислительная GRID-платформа. По мнению Таска – исполнительного директора Центра технологий блокчейна Университетского колледжа Лондона (консультирует ООН и Европарламент по этой теме) [3], разница прежде всего в том, что iExec – платформа для вычислений GRID, а SONM универсальна. Она может выполнять детерминированные и недетерминированные задачи.

Основные цели технологии SONM [4]:

·предоставлять отдельным лицам и предприятиям возможность использовать децентрализованные вычислительные ресурсы в необходимом количестве;

·позволить владельцам оборудования получать прибыль от сдачи в аренду вычислительных ресурсов;

·создать жизнеспособную альтернативу гигантам облачных вычислений;

·создать платформу для децентрализованных приложений, которые похожи по архитектуре на микросервисы, подходящие для горизонтального масштабирования и устойчивые к отказу отдельных узлов.

SONM включает компоненты [5]:

- собственный сайдчейн (метод разделения задачи на блоки);

- пул поставщиков вычислительных мощностей;

- систему распределения ресурсов и операционную систему.

Сегодня география распространения охватывает 34 страны и продолжает расти.

Платформа уже протестирована для расчетов, связанных в первую очередь с GPU: рендеринг видео, потоковая передача мультимедийных проектов, машинное обучение, прокси-сервер.

По оценкам, проведенным в [6] использование SONM позволяет снизить затраты до 100 раз для блокчейн-задач. Более того, затраты снижаются дополнительно на 50-70% для решения задач машинного обучения.

И пользователь стоит перед выбором технологии из альтернатив. Выбор того или иного варианта не всегда оптимален, поскольку очень часто критерии предпочтения сводятся к минимальной стоимости, известности бренда, своих компетенций или просто «нравится». Для повышения объективности сравнения предлагается использование метода анализа иерархий [7], основанный на методе парных сравнений, имеющий линейную шкалу интерпретации результатов, в отличие от метода оценивания латентных переменных модели Раша [8]. При необходимости методика дополняется расчетом аддитивной суммы интегральной оценки [9].

Значимым шагом методики является выбор ключевых критериев для сравнения. При оценивании различных критериев сравнения является актуальным учетом неопределенности исходной информации [10], [11].

Выбор критериев для сравнения производится из технических, экономических и других требований реализуемого проекта. Для оценки программных продуктов в качестве основных критериев экспертами [12] предлагается использовать следующие.

– Функциональность. Определяет возможности программного продукта или системы по обработке массива данных, их соответствие техническому заданию, общим и другим требованиям к программному обеспечению.

– Надежность. Определяет возможность программного продукта функционировать при возникновении сбоев или различных отклонений (в том числе и умышленных) в среде выполнения, обеспечения надежности хранения и восстановления данных.

– Практичность. Определяет такие свойства программного обеспечения, которые определяют его быструю разработку, организацию внедрения, освоения, обеспечивают удобное обслуживание и минимальные затраты на эксплуатацию, расширение, подготовку эксплуатационного персонала.

С учетом анализа показателей ряда реальных проектов группой экспертов определены критерии сравнения.

Критерии сформированы по группам:

Функциональность. 

- Быстродействие пользовательского интерфейса, связанное с качеством информационных каналов, включающее пропускную способность, время ожидания (время отклика) и джиттер задержки.

- Гибкость в планировании и модификации задействованных вычислительных мощностей.

- Возможности по выполнения детерминированных и недетерминированных задач.

Надежность.

- Время простоя по любой причине, например, при отключении электричества, пропадании каналов связи, сбоям Интернет и др.

- Безопасность, устойчивость к атакам.

- Возможность долгосрочного хранения данных.

Практичность. 

- Сложность организации вычислений и затраты на ее организацию.

- Требования к квалификации специалистов, организующих вычисления и обслуживание оборудования.

- Затраты на аренду, владение ресурсом, его масштабирование.

Выходным результатом является комплексный параметр Полезность, по которому и производится окончательный выбор из альтернативных вариантов построения системы.

В соответствии с методикой, для каждой из групп критериев приведенные альтернативные платформы по каждому критерию попарно сравниваются. Результатом которого являются матрицы сравнения для каждой из групп критериев. Для шкалы сравнений использованы следующие уровни важности: равная важность; умеренное, существенное, значительное, очень большое превосходство.

Каждый элемент матрицы принимает дискретное значение А степени предпочтительности 1, 3, 5, 7, 9 соответственно уровню важности от равной до очень большого превосходства. И если один из элементов в каждой паре сравнения принимает значение A, то соответственно другой 1/A.

Аналогично составляется матрица сравнения групповых критериев.

Далее вычисляются собственные векторы альтернатив по всем критериям. При этом для каждого альтернативного варианта элемент вектора равен среднегеометрическому показателю матрицы сравнения. Так же вычисляется собственный вектор для матрицы сравнения групповых критериев. При этом вес по каждому критерию равен отношению каждого элемента собственного вектора к сумме всех элементов собственного вектора этого критерия. Данные вычисленные значения служат оценками привлекательности альтернативных вариантов.

По полученным оценкам привлекательности по всем критериям и весам производится расчет функций полезности каждой альтернативы и из их сравнения производится выбор оптимальной альтернативы. Функция полезности вычисляется как сумма произведений весов групповых критериев и их нормализованных собственных векторов.

После составления матриц сравнения критериев, определения их весов, вычисления собственных векторов альтернатив по всем критериям и нормализации собственных векторов вычисляется оценка привлекательности каждой из платформ по всем критериям и рассчитываются веса критериев. Результаты приведены в таблице 1.

По полученным данным рассчитывается функция полезности для каждой платформы. В таблице 2 приведены расчетные значения функции полезности для разных значений приоритетов групп критериев.

На основе полученных результатов можно принимать объективное решение по выбору того или иного варианта.

Приведенные результаты оценки платформ показывают, как значительно изменяются итоги оценки платформ при вариации приоритетов. Так, при предпочтении практичности (и, соответственно, низкой стоимости), фаворитом является платформа SONM. При более высоком приоритете критерия надежности или равенстве приоритетов, что характерно для крупных корпоративных сетей, лидером является облако.

Проведенный анализ возможностей и опыта практического использования SONM показал возможность альтернативы облачным серверам хранения и обработки данных.

Приведенный подход на основе сочетания методик попарного сравнения, а при необходимости и расчета аддитивной суммы интегральной оценки, для каждой из сравниваемых технологий при оценке привлекательности их для внедрения в практическую деятельность организации позволяет уменьшить субъективность выбора, оптимизировать материальные затраты при их развертывании, исходя из приоритетов пользователя продукта. Методика может быть применима и для сравнения других программных продуктов или их групп по своим критериям.