SYNCHRONIZATION OF EVENT-DRIVEN MANAGEMENT DURING DATA COLLECTION

W artykule rozważono podejście do implementacji architektury systemu mikrousług do przetwarzania dużych ilości danych w oparciu o podejście zorientowane na zdarzenia do zarządzania sekwencją korzystania z poszczególnych mikrousług. Staje się to szczególnie ważne podczas przetwarzania dużych ilości danych ze źródeł informacji o różnych poziomach wydajności, gdy zadaniem jest zminimalizowanie całkowitego czasu przetwarzania strumieni danych. W tym przypadku, co do zasady, zadaniem jest zminimalizowanie liczby żądań do źródeł informacji w celu uzyskania wystarczającej ilości danych istotnych dla żądania. Wydajność całego systemu oprogramowania jako całości zależy od sposobu zarządzania mikrousługami, które zapewniają ekstrakcję i podstawowe przetwarzanie otrzymanych danych. Aby uzyskać wymaganą ilość odpowiednich danych z różnych źródeł informacji, system oprogramowania musi dostosować się do żądania podczas jego działania, tak aby maksymalna liczba żądań była kierowana do źródeł, które mają maksymalne prawdopodobieństwo znalezienia w nich danych niezbędnych do żądania. Zaproponowano podejście, które pozwala adaptacyjnie zarządzać wyborem mikrousług podczas gromadzenia danych i pojawiających się zdarzeń, a tym samym kształtować wybór źródeł informacji w oparciu o ocenę skuteczności uzyskiwania odpowiednich informacji z tych źródeł. Zdarzenia są generowane w wyniku ekstrakcji danych i przetwarzania pierwotnego z określonych źródeł w zakresie oceny dostępności danych istotnych dla żądania w każdym ze źródeł uwzględnionych w ramach wybranego scenariusza wyszukiwania. Architektura mikrousług zorientowana na zdarzenia dostosowuje działanie systemu do bieżących obciążeń poszczególnych mikrousług i ogólnej wydajności poprzez analizę odpowiednich zdarzeń. Wykorzystanie adaptacyjnej architektury mikrousług zorientowanej na zdarzenia może być szczególnie skuteczne w rozwoju różnych systemów informacyjnych i analitycznych zbudowanych w oparciu o gromadzenie danych w czasie rzeczywistym i projektowanie scenariuszy działalności analitycznej. W artykule rozważono cechy opcji synchronicznych i asynchronicznych w implementacji architektury zorientowanej na zdarzenia, które mogą być wykorzystywane w różnych systemach oprogramowania w zależności od ich przeznaczenia. Przeprowadzono analizę cech opcji synchronicznych i asynchronicznych w implementacji architektury zorientowanej na zdarzenia, ich parametrów ilościowych oraz cech ich wykorzystania w zależności od rodzaju zadań.

Słowa kluczowe:

Big Data, mikrousługi, adaptacja, architektura oparta na zdarzeniach, technologia informacyjna, ontologia

Bibliografia

[1] Akhtanov S., Turlykozhayeva D., Ussipov N., Ibraimov M., Zhanabaev Z.: Centre including eccentricity algorithm for complex networks. Electronics Letters 58(7), 2022, 283–285. DOI: https://doi.org/10.1049/ell2.12424

[2] Al-Masri E.: Enhancing the Microservices Architecture for the Internet of Things. IEEE International Conference on Big Data (Big Data). USA, WA, Seattle, 2018, 5119–5125. DOI: https://doi.org/10.1109/BigData.2018.8622557

[3] Azarov O. et al.: Means of analyzing parameters of speech signal transmission and reproduction. Informatyka, Automatyka, Pomiary w Gospodarce i Ochronie Środowiska 14(2), 2024, 11–16. DOI: https://doi.org/10.35784/iapgos.6118

[4] Azarova A. O. et al.: Information technologies for assessing the quality of IT-specialties graduates' training of university by means of fuzzy logic and neural networks. International Journal of Electronics and Telecommunications 66(3), 2020, 411–416. DOI: https://doi.org/10.24425/ijet.2020.131893

[5] Belnar A.: Building Event-Driven Microservices: Leveraging Organizational Data at Scale. O'Reilly Media, USA 2020.

[6] Bisikalo O. et al.: Parameterization of the Stochastic Model for Evaluating Variable Small Data in the Shannon Entropy Basis. Entropy 25(2), 2023, 184. DOI: https://doi.org/10.3390/e25020184

[7] Buyya R.: Big Data. Principles and Paradigms. Elsevier, 2016.

[8] Chris R.: Microservices. Development and refactoring patterns. Peter, 2019, 544.

[9] Davis A.: Bootstrapping Microservices with Docker, Kubernetes, and Terraform: A project-based guide. Manning, Shelter Island 2021.

[10] Dinesh R.: Hands-On Microservices – Monitoring and Testing. Hands-On Microservices – Monitoring and Testing: A performance engineer's guide to the continuous testing and monitoring of microservices. Packt Publishing. 2018.

[11] Erl T.: Big Data Fundamentals. Concepts, Drivers & Techniques. Prentice Hall, 2016.

[12] Ford N., Parsons R., Kua P.: Building Evolutionary Architectures: Support Constant Change. O'Reilly Media, 2017.

[13] Ghiya P.: Typescript Microservices: Build, deploy, and secure microservices using TypeScript combined with Node.js. Packt, Birmingham 2018.

[14] Gorelik A.: The Enterprise Big Data Lake: Delivering the Promise of Big Data and Data Science. O'Reilly, 2019.

[15] Koval O. V. et al.: Evaluating the Quality of Modeling the Scenario of Information Analysis on a Branched Network. Modern information protection. DUT 3(39), 2019, 70–76.

[16] Koval O. V. et al.: Improving the Efficiency of Typical Scenarios of Analytical Activities. CEUR Workshop Proceedings 3241, 2021, 123–132.

[17] Koval O. V. et al.: Refining the typical scenarios by additional factors. Mathematical and computer modeling. Series: Technical sciences 1(20), 2019, 68–78. DOI: https://doi.org/10.32626/2308-5916.2019-20.68-78

[18] Kuzminykh V. О. et al.: Data collection for analytical activities using adaptive micro-service architecture. Registration, storage and processing of data 23(1), 2021, 7–79.

[19] Kuzminykh V., Xu B.: The influence of current results in an event-oriented data collection system. Zviazok 3(169), 2024, 18–22. DOI: https://doi.org/10.31673/2412-9070.2024.031822

[20] Mamyrbayev O., Toleu A., Tolegen G., Mekebayev N.: Neural architectures for gender detection and speaker identification. Cogent Engineering 7, 2020, 1727168, 1–13. DOI: https://doi.org/10.1080/23311916.2020.1727168

[21] Newman S.: Building Microservices: Designing Fine-Grained Systems. O'Reilly Media, 2015.

[22] Rocha H. F. O.: Practical Event-Driven Microservices Architecture: Building Sustainable and Highly Scalable Event-Driven Microservices. Apress, 2021.

[23] Shuiskov A.: Building Microservices with Go: Develop seamless, efficient, and robust microservices with Go. Packt Publishing, 2022.

[24] Simon P.: Too Big to Ignore: The Business Case for Big Data. Wiley, 2019.

[25] Turlykozhayeva, D. et al.: Routing Algorithm for Software Defined Network Based on Boxcovering Algorithm. 10th International Conference on Wireless Networks and Mobile Communications (WINCOM), 2023, 1–5. DOI: https://doi.org/10.1109/WINCOM59760.2023.10322960

[26] Wolff E.: Microservices, Flexible Software Architecture. Addison-Wesley, Boston 2016.

[27] Zgurovsky M. Z., Zaychenko Y. P.: Big Data: Conceptual Analysis and Applications. Springer, 2020. DOI: https://doi.org/10.1007/978-3-030-14298-8

[28] Zhang H., Li S., Jia Z, Zhong C., Zhang C.: Microservice Architecture in Reality: An Industrial Inquiry. IEEE International Conference on Software Architecture (ICSA), Germany, Hamburg, 2019, 51–60. DOI: https://doi.org/10.1109/ICSA.2019.00014

Kuzminykh, V., Koval, O., Havrylko, Y., Xu, B., Yepifanova, I., Zhu, S., … Yeraliyeva, B. (2024). SYNCHRONIZACJA ZARZĄDZANIA STEROWANEGO ZDARZENIAMI PODCZAS GROMADZENIA DANYCH. Informatyka, Automatyka, Pomiary W Gospodarce I Ochronie Środowiska, 14(4), 121–129. https://doi.org/10.35784/iapgos.6656

##plugins.themes.bootstrap3.article.sidebar##

Numer Tom 14 Nr 4 (2024)

Archiwum

##plugins.themes.bootstrap3.article.main##

DOI

Authors

Abstrakt

Słowa kluczowe:

Bibliografia

##plugins.themes.bootstrap3.article.details##

Licencja