A method for optimizing query routing in distributed databases to reduce latency and load
This paper develops a query routing method for distributed databases that reduces network latency and achieves uniform load distribution across cluster nodes through a statistically grounded, autonomous adaptive tuning of scoring function weights.A multi-factor scoring model is proposed for target-n...
Gespeichert in:
| Datum: | 2026 |
|---|---|
| Hauptverfasser: | , |
| Format: | Artikel |
| Sprache: | Ukrainisch |
| Veröffentlicht: |
Kyiv National University of Construction and Architecture
2026
|
| Schlagworte: | |
| Online Zugang: | https://es-journal.in.ua/article/view/365076 |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Назва журналу: | Environmental safety and natural resources |
| Завантажити файл: |  |
Institution
Environmental safety and natural resources| _version_ | 1868385094817808384 |
|---|---|
| author | Belous, Roman Mosiichuk, Dmytro |
| author_facet | Belous, Roman Mosiichuk, Dmytro |
| author_institution_txt_mv | [
{
"author": "Roman Belous",
"institution": "Доктор філософії (PhD), молодший науковий співробітник Інституту телекомунікацій і глобального інформаційного простору Національної академії наук України, Київ"
},
{
"author": "Dmytro Mosiichuk",
"institution": "Аспірант Інституту телекомунікацій і глобального інформаційного простору Національної академії наук України, Київ"
}
] |
| author_sort | Belous, Roman |
| baseUrl_str | http://es-journal.in.ua/oai |
| collection | OJS |
| datestamp_date | 2026-06-18T11:17:53Z |
| description | This paper develops a query routing method for distributed databases that reduces network latency and achieves uniform load distribution across cluster nodes through a statistically grounded, autonomous adaptive tuning of scoring function weights.A multi-factor scoring model is proposed for target-node selection, incorporating CPU load, round-trip network latency, and topological data distance. Unlike existing adaptive routing approaches that rely on heuristic or static weight assignment, the proposed method determines weights through a statistically grounded procedure based on Pearson correlation analysis between each factor and observed query response times within a sliding window, smoothed by exponential moving average (EMA). This design ensures invariance to workload type without administrator intervention.Simulation on a five-node cluster demonstrates a 38.4% reduction in mean query latency, a 44.1% reduction in P95 latency, a 41.2% increase in throughput, and a 29.7% reduction in peak per-node CPU utilization compared to random routing. Load standard deviation across nodes decreases by a factor of 6.7.For the first time, a weight-adaptation mechanism is proposed in which adaptation is a function of execution statistics rather than a rule set, providing theoretically grounded behavior under varying workloads. The method addresses a gap left by latency-aware, least-loaded, and geo-distributed routing, none of which jointly optimize resource, network, and topological factors adaptively.Deployable as a middleware layer without modifying application logic. Uniform load distribution lowers peak server energy consumption, contributing to the carbon footprint reduction of data-center infrastructure.Complexity is O(k) per routing decision; clusters exceeding 100 nodes require hierarchical adaptation. The independence assumption between factors is a known limitation addressed in future work. |
| doi_str_mv | 10.32347/2411-4049.2026.2.274-286 |
| first_indexed | 2026-06-19T01:01:18Z |
| format | Article |
| fulltext |
~ 274 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
УДК 004.75:004.65:004.722
Roman Belous, Doctor of Philosophy (PhD), Junior Researcher
ORCID ID: https://orcid.org/0000-0002-7588-941X e-mail: belous22@ukr.net
Dmytro Mosiichuk, postgraduate
ORCID ID: https://orcid.org/0009-0005-3864-1019 e-mail: deusplus@gmail.com
Institute of Telecommunications and Global Information Space of NAS of Ukraine, Kyiv,
Ukraine
A METHOD FOR OPTIMIZING QUERY ROUTING IN DISTRIBUTED
DATABASES TO REDUCE LATENCY AND LOAD
Abstract. This paper develops a query routing method for distributed databases
that reduces network latency and achieves uniform load distribution across
cluster nodes through a statistically grounded, autonomous adaptive tuning of
scoring function weights.
A multi-factor scoring model is proposed for target-node selection,
incorporating CPU load, round-trip network latency, and topological data
distance. Unlike existing adaptive routing approaches that rely on heuristic or
static weight assignment, the proposed method determines weights through a
statistically grounded procedure based on Pearson correlation analysis between
each factor and observed query response times within a sliding window,
smoothed by exponential moving average (EMA). This design ensures
invariance to workload type without administrator intervention.
Simulation on a five-node cluster demonstrates a 38.4% reduction in mean query
latency, a 44.1% reduction in P95 latency, a 41.2% increase in throughput, and
a 29.7% reduction in peak per-node CPU utilization compared to random
routing. Load standard deviation across nodes decreases by a factor of 6.7.
For the first time, a weight-adaptation mechanism is proposed in which
adaptation is a function of execution statistics rather than a rule set, providing
theoretically grounded behavior under varying workloads. The method
addresses a gap left by latency-aware, least-loaded, and geo-distributed
routing, none of which jointly optimize resource, network, and topological
factors adaptively.
Deployable as a middleware layer without modifying application logic. Uniform
load distribution lowers peak server energy consumption, contributing to the
carbon footprint reduction of data-center infrastructure.
Complexity is O(k) per routing decision; clusters exceeding 100 nodes require
hierarchical adaptation. The independence assumption between factors is a
known limitation addressed in future work.
Key words: distributed databases; query routing; load balancing; network
latency; adaptive optimization.
© Р.В. Белоус, Д.І. Мосійчук, 2026
https://orcid.org/0000-0001-8445-8251
https://orcid.org/0000-0001-8445-8251
~ 275 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Р.В. Белоус, Д.І. Мосійчук
Інститут телекомунікацій і глобального інформаційного простору НАН України,
м. Київ, Україна
МЕТОД ОПТИМІЗАЦІЇ МАРШРУТИЗАЦІЇ ЗАПИТІВ
У РОЗПОДІЛЕНИХ БАЗАХ ДАНИХ ДЛЯ ЗМЕНШЕННЯ
ЗАТРИМОК І НАВАНТАЖЕННЯ
Анотація. Метою роботи є розробка методу маршрутизації запитів у
розподілених базах даних, що знижує мережеву затримку та забезпечує
рівномірний розподіл навантаження між вузлами кластера шляхом
статистично обґрунтованого адаптивного налаштування вагових
коефіцієнтів функції оцінювання вузлів.
Розроблено багатофакторну модель вибору цільового вузла, що враховує
поточне завантаження процесора, мережеву затримку та топологічну
відстань до фрагменту даних. На відміну від існуючих adaptive routing
підходів, що застосовують евристичне або статичне налаштування вагів, у
запропонованому методі ваги визначаються статистично обґрунтованою
процедурою на основі кореляційного аналізу Пірсона між факторами та
фактичними затримками у ковзному часовому вікні зі згладжуванням EMA,
що забезпечує інваріантність до типу навантаження.
Чисельне моделювання на кластері з п'яти вузлів продемонструвало зниження
середньої затримки на 38,4% та P95-затримки на 44,1% порівняно з
випадковою маршрутизацією, зростання пропускної здатності на 41,2%, а
також скорочення пікового завантаження вузлів на 29,7%.
Запропоновано механізм автономного адаптивного налаштування вагових
коефіцієнтів маршрутизатора, в якому адаптація є функцією статистики
виконання запитів, а не набором правил, що забезпечує теоретично
обґрунтовану поведінку системи в умовах змінного навантаження.
Метод є придатним для впровадження через middleware-компонент.
Рівномірний розподіл навантаження знижує пікове енергоспоживання
серверів, що є чинником екологічної безпеки дата-центрів. Перспективи:
подальші дослідження спрямовані на розробку предиктивного варіанта
механізму та верифікацію на кластерах із понад 100 вузлів.
Ключові слова: розподілені бази даних; маршрутизація запитів; балансування
навантаження; мережева затримка; адаптивна оптимізація.
https://doi.org/10.32347/2411-4049.2026.2.274-286
Вступ
Інтенсивний розвиток хмарних обчислень, мікросервісних архітектур та
Інтернету речей призвів до кардинального зростання обсягів даних, що
опрацьовуються корпоративними інформаційними системами. За оцінками
IDC, до 2025 року загальний обсяг цифрових даних перевищив 100 зетабайт,
причому понад 80% з них формується та обробляється в режимі, наближеному
до реального часу [1]. Ця тенденція ставить перед архітекторами розподілених
систем принципово нові вимоги щодо масштабованості, відмовостійкості та
ефективності виконання запитів при одночасному обмеженні
енергоспоживання серверної інфраструктури.
~ 276 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Одним із ключових чинників, що визначають продуктивність розподіленої
бази даних (РБД), є механізм маршрутизації запитів – процес вибору цільового
вузла кластера для виконання конкретної операції читання або запису.
Неефективна маршрутизація породжує нерівномірний розподіл навантаження,
надмірний внутрішньо-кластерний трафік і зростання часу відповіді. Крім
того, перевантаженість окремих серверів безпосередньо збільшує їхнє
енергоспоживання, що негативно позначається на вуглецевому сліді дата-
центрів [2].
Аналіз останніх досліджень і публікацій. Підходи балансування
навантаження загального призначення також не позбавлені обмежень. Least-
Loaded Routing [6] обирає вузол із мінімальним завантаженням, але ігнорує
топологічне розміщення даних. Latency-Aware Routing [7] мінімізує мережеву
затримку до вузла, однак ігнорує ресурсний стан та локальність даних, що при
зростанні навантаження призводить до концентрації запитів на мережево-
близьких, але перевантажених вузлах. Geo-Distributed Routing [8] оптимізує
географічну близькість у глобальних розгортаннях, але не передбачає
механізмів адаптації до динамічного стану навантаження всередині регіону.
Спільним недоліком усіх перелічених підходів є відсутність одночасного
врахування ресурсного, мережевого та топологічного факторів у єдиній
самоналаштовувальній моделі. Огляд сучасних досліджень [9, 10, 15, 16]
підтверджує, що ця задача залишається відкритою.
Мета роботи. Метою дослідження є розробити метод маршрутизації
запитів у розподілених базах даних на основі багатофакторної моделі з
механізмом автономного адаптивного налаштування вагових коефіцієнтів, та
верифікувати його ефективність порівняно з існуючими підходами за
критеріями середньої затримки, P95-затримки, пропускної здатності та
рівномірності розподілу навантаження.
Об'єктом дослідження є процес маршрутизації запитів у розподілених
базах даних в умовах динамічного навантаження на вузли кластера. З огляду
на це, можна виділити основні завдання дослідження:
− аналіз існуючих методів маршрутизації запитів у розподілених базах
даних та виявлення їхніх недоліків з точки зору ефективності розподілу
навантаження і мінімізації затримок;
− розробка багатофакторної моделі оцінювання вузлів кластера, що
враховує завантаженість процесора, мережеву затримку та топологічну
відстань до цільового фрагменту даних;
− розробка механізму адаптивного налаштування вагових коефіцієнтів
моделі на основі кореляційного аналізу між факторами та фактичними
затримками виконання запитів;
− проведення чисельного моделювання та порівняльного аналізу
запропонованого методу з існуючими підходами за критеріями середньої
затримки, P95-затримки, пропускної здатності та рівномірності розподілу
навантаження;
− оцінка впливу запропонованого методу на енергоспоживання
серверного обладнання як чинника екологічної безпеки дата-центрів.
~ 277 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Виклад основного матеріалу дослідження
Розподілена база даних – це сукупність логічно пов'язаних даних, що фізично
розміщені на двох і більше обчислювальних вузлах, об'єднаних мережею, та
керуються єдиною системою управління [11]. Ключовою характеристикою
РБД є прозорість розподілу: запит, надісланий до системи, виконується без
явної вказівки конкретного вузла-виконавця.
Маршрутизація запитів у контексті РБД визначається як функція вибору:
𝑓: 𝑄 × 𝑁 → 𝑛∗, 𝑛∗ ∈ 𝑁 , (1)
де Q – множина вхідних запитів, N = {n₁, n₂, …, nₖ} – множина вузлів кластера,
n* – обраний вузол-виконавець. Задача маршрутизації може бути
інтерпретована як задача мінімізації багатокритеріальної функції вартості –
лінійна апроксимація більш загальної оптимізаційної задачі вигляду:
min
𝑛∈𝑁
∑ 𝑤𝑖𝑖 ⋅ 𝑓𝑖(𝑛), ∑ 𝑤𝑖𝑖 = 1, 𝑤𝑖 ≥ 0 , (2)
де fᵢ(n) – окремі критерії якості вузла n (завантаженість, затримка, відстань
до даних), wᵢ – відповідні вагові коефіцієнти. Така інтерпретація надає
методу строге оптимізаційне підґрунтя та дозволяє розглядати адаптацію
вагів як задачу апроксимації оптимальних коефіцієнтів за статистикою
виконання.
Вплив маршрутизації на продуктивність системи проявляється через три
основні механізми. По-перше, маршрутизація до вузла без потрібного шарду
породжує додаткові внутрішньо-кластерні пересилання, що прямо збільшують
затримку [12]. По-друге, нерівномірне навантаження скорочує ефективне
використання ресурсів та призводить до деградації перевантажених вузлів.
По-третє, надмірний міжвузловий трафік зменшує корисну пропускну
здатність мережевих каналів.
Зв'язок між маршрутизацією та енергоспоживанням є предметом
досліджень у галузі Green Computing [13]. Споживання електроенергії
сервером описується лінійною апроксимацією:
P(ni) = a ⋅ Load(ni) + b , (3)
де P(nᵢ) – потужність вузла nᵢ; Load(nᵢ) – завантаженість процесора [0, 1]; a –
коефіцієнт чутливості; b – базове споживання у стані простою (Вт). Типові
значення для сучасних серверних платформ: a ≈ 150–250 Вт, b ≈ 60–100 Вт [13].
Важливо зазначити, що реальна залежність є лінійною при Load > 0.8: у цій
зоні споживання зростає значно швидше через теплове навантаження та
активацію механізмів throttling. З цього випливає, що зниження пікових
навантажень має непропорційно більший ефект на сумарне енергоспоживання
кластера, ніж рівномірне зниження середнього навантаження. Таким чином,
оптимізація маршрутизації є безпосереднім інструментом підвищення
енергоефективності та скорочення вуглецевого сліду серверної
інфраструктури [14].
~ 278 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Запропонований метод ґрунтується на обчисленні показника Score, для
кожного вузла кластера перед виконанням кожного запиту; вузол з
мінімальним значенням обирається як цільовий. Відповідно до оптимізаційної
інтерпретації, функція набуває вигляду:
𝑆𝑐𝑜𝑟𝑒(𝑛𝑖) = 𝛼 ⋅ 𝐿𝑜𝑎𝑑(𝑛𝑖) + 𝛽 ⋅ 𝐿𝑎𝑡𝑒𝑛𝑐𝑦(𝑛𝑖) + 𝛾 ⋅ 𝐷𝑎𝑡𝑎𝐷𝑖𝑠𝑡(𝑛𝑖) , (4)
де 𝐿𝑜𝑎𝑑(𝑛𝑖), 𝐿𝑎𝑡𝑒𝑛𝑐𝑦(𝑛𝑖), 𝐷𝑎𝑡𝑎𝐷𝑖𝑠𝑡(𝑛𝑖) – нормалізовані показники
завантаженості процесора, мережевої затримки (RTT) та топологічної відстані
до цільового фрагменту даних відповідно; α, β, γ – вагові коефіцієнти, що
задовольняють умови α + β + γ = 1, α, β, γ ∈ [0, 1], та автономно коригуються
механізмом адаптації. Таким чином, задача вибору вузла зводиться до
мінімізації зваженої суми нормалізованих критеріїв якості – лінійної
апроксимації загальної задачі (2).
Оскільки параметри мають різні одиниці та діапазони, застосовується
мінімаксна нормалізація:
𝑃̂(𝑛𝑖) = [𝑃(𝑛𝑖) − min
𝑗
𝑃(𝑛𝑗)] / [max
𝑗
𝑃(𝑛𝑗) − min
𝑗
𝑃(𝑛𝑗)] . (5)
Мінімум і максимум обчислюються по всій множині вузлів N у поточний
момент. У разі виродженого розподілу (max = min) нормалізоване значення
встановлюється рівним нулю, що виключає вплив даного фактора з поточного
рішення.
Ключовим внеском роботи є механізм автономного адаптивного
коригування вагових коефіцієнтів α, β, γ, в якому адаптація є функцією
статистики виконання запитів, а не набором апріорних правил. Це принципово
відрізняє запропонований підхід від існуючих adaptive routing методів, де ваги
або задаються статично конфігурацією, або коригуються евристичними
пороговими правилами. Механізм ґрунтується на аналізі статистичного зв'язку
між кожним із факторів та фактичними затримками виконання запитів за
останні W запитів (ковзне вікно). Вибірка є центрованою: перед обчисленням
кореляції від кожного спостереження віднімається вибіркове середнє
відповідної послідовності.
Для кожного фактора X ∈ {Load, Latency, DataDist} обчислюється
коефіцієнт кореляції Пірсона з фактичним часом відповіді RT:
𝐶𝑜𝑟𝑟(𝑋, 𝑅𝑇) = 𝐶𝑜𝑣(𝑋, 𝑅𝑇)/(σ𝑋 ⋅ σ𝑅𝑇) , (6)
де 𝐶𝑜𝑟𝑟(𝑋, 𝑅𝑇) – вибіркова коваріація між значеннями фактора X та
фактичним часом відповіді RT у межах ковзного вікна з W спостережень:
𝐶𝑜𝑣(𝑋, 𝑅𝑇) =
1
𝑊−1
∑ (𝑋𝑡 − 𝑋̅)(𝑅𝑇𝑡 − 𝑅𝑇̅̅ ̅̅ )𝑊
𝑡=1 , (7)
а 𝜎𝑋, 𝜎𝑅𝑇 – відповідні вибіркові стандартні відхилення. Використання W−1 у
знаменнику (незміщена оцінка) забезпечує коректність при малих W.
~ 279 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Перед оновленням вагів виконується перевірка на статистичну значущість:
якщо | 𝐶𝑜𝑟𝑟(𝑋, 𝑅𝑇) | < ε (рекомендоване значення ε = 0.1), фактор X вважається
статистично незначущим у поточному вікні і його кореляція прирівнюється до
нуля. Нові значення вагових коефіцієнтів визначаються нормуванням
абсолютних значень кореляцій:
𝛼𝑛𝑒𝑤 = |𝐶𝑜𝑟𝑟(𝐿𝑜𝑎𝑑, 𝑅𝑇)|/𝑍 (8)
β𝑛𝑒𝑤 = |𝐶𝑜𝑟𝑟(𝐿𝑎𝑡𝑒𝑛𝑐𝑦, 𝑅𝑇)|/𝑍 (9)
γ𝑛𝑒𝑤 = |𝐶𝑜𝑟𝑟(𝐷𝑎𝑡𝑎𝐷𝑖𝑠𝑡, 𝑅𝑇)|/𝑍 (10)
𝑍 = |𝐶𝑜𝑟𝑟(𝐿𝑜𝑎𝑑, 𝑅𝑇)| + |𝐶𝑜𝑟𝑟(𝐿𝑎𝑡𝑒𝑛𝑐𝑦, 𝑅𝑇)| + |𝐶𝑜𝑟𝑟(𝐷𝑎𝑡𝑎𝐷𝑖𝑠𝑡, 𝑅𝑇)|. (11)
У виродженому випадку Z = 0 (усі кореляції нижче порогу ε)
встановлюється рівний розподіл: α = β = γ = 1/3, що запобігає невизначеності
рішення при відсутності значущого статистичного сигналу.
Для забезпечення стабільності та запобігання осциляціям вагових
параметрів застосовується згладжування на основі експоненційної ковзної
середньої (EMA) з параметром λ ∈ (0, 1]:
𝛼𝑠𝑚𝑜𝑜𝑡ℎ = 𝜆 ⋅ 𝛼𝑛𝑒𝑤 + (1 − 𝜆) ⋅ 𝛼𝑝𝑟𝑒𝑣 . (12)
Аналогічні формули застосовуються для β та γ. Згладжування EMA
забезпечує асимптотичну стійкість коефіцієнтів та запобігає осциляціям
вагових параметрів: при λ → 0 система є інерційною і стійкою, при λ → 1 –
реагує лише на поточне вікно. Рекомендоване значення λ = 0.3 забезпечує
помірну інерційність: нові спостереження мають вагу 30% від поточного
оновлення, що дозволяє адаптуватися до стійких змін навантаження, водночас
фільтруючи короткочасні флуктуації. Оновлення коефіцієнтів виконується
кожні W = 500 запитів; між оновленнями використовуються поточні значення
α, β, γ.
Необхідно зазначити потенційне обмеження моделі: кореляційний аналіз
Пірсона передбачає лінійний характер зв'язків між факторами та RT. Крім того,
у реальних системах Load та Latency можуть бути взаємно корельованими
(наприклад, перевантажений вузол одночасно генерує більшу мережеву
затримку). Це може призводити до часткового подвійного врахування впливу
одного й того ж явища.
Повна процедура вибору вузла-виконавця реалізується у два етапи. На
першому етапі для кожного вузла кластера збираються поточні метрики –
завантаженість процесора, мережева затримка та топологічна відстань до
цільового фрагменту даних, – після чого вони нормалізуються за формулою (5)
та підставляються у функцію (4). Вузол з мінімальним значенням Score
обирається як цільовий, запит скеровується до нього, а фактичний час відповіді
фіксується у ковзному вікні. На другому етапі, що активується кожні W
запитів, обчислюються коефіцієнти кореляції Пірсона між кожним із факторів
~ 280 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
та зафіксованими затримками, на їх основі оновлюються вагові коефіцієнти
α, β, γ за формулами (8–10) та згладжуються методом EMA (12).
Часова складність кожного виклику маршрутизатора становить O(k), де
k – кількість вузлів кластера. Операція оновлення коефіцієнтів виконується з
частотою 1/W від основного циклу. За рекомендованих значень k ≤ 50 та
W = 500 overhead на одне рішення маршрутизації не перевищує 0.8 мс, що є
прийнятним для виробничих умов. При k > 100 складність O(k) стає
обмежувальним фактором; у таких випадках рекомендується перехід до
ієрархічної схеми з агрегаторами метрик або застосування reservoir sampling,
що знижує ефективну складність до O(s), s ≪ k. Отже, запропонований метод
демонструє прийнятну масштабованість для широкого класу практичних
розгортань.
Відповідно до лінійної моделі енергоспоживання (3) та з урахуванням
лінійності споживання при Load > 0.8, зниження пікового CPU-навантаження
з 82.1% до 63.1% дає пряме скорочення пікового споживання потужності
окремого вузла приблизно на 38 Вт. Вихід з режиму насиченого завантаження
дозволяє системам управління живленням активувати низькоенергетичні
стани на вузлах, що у масштабі виробничого кластера з 50 вузлів може
становити економію понад 2 кВт встановленої потужності. Отже, оптимізація
маршрутизації запитів є безпосереднім чинником підвищення екологічної
безпеки серверної інфраструктури.
Таблиця 1. Середня затримка (мс), P95-затримка (мс) та коефіцієнт варіації CV
при різних рівнях навантаження
RPS Метод Сер. затр. P95 затр. CV (%)
100 Random 12.3 19.1 28.4
Hash 10.8 16.7 22.1
LL 11.1 17.2 23.8
LA 9.8 15.1 19.4
MFR 9.1 13.8 14.2
1000 Random 31.4 56.3 41.7
Hash 24.6 41.8 33.2
LL 23.9 40.1 31.8
LA 22.1 37.4 29.6
MFR 18.7 31.4 22.3
2000 Random 89.3 162.4 48.9
Hash 61.4 108.7 39.1
LL 58.7 103.2 37.4
LA 53.2 92.6 34.8
MFR 47.6 80.7 24.6
~ 281 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
Запропонований метод є придатним для реалізації у вигляді middleware-
компонента. Клас MultiFactorRouterMiddleware реєструється в ланцюжку
обробки запитів та перехоплює звернення до Database Manager. Метрики
вузлів кешуються у Redis з TTL 2–5 секунд і оновлюються асинхронним
фоновим зондувальником. Перед кожним запитом обчислюється Score, і
конфігурація з'єднання підмінюється динамічно. Оновлення α, β, γ виконується
через Queue Worker після накопичення W записів. Реалізація не потребує змін
у бізнес-логіці застосунку.
Для верифікації методу проведено чисельне моделювання на
симульованому кластері з п'яти вузлів із реалістичною топологією: три вузли
у спільному дата-центрі (внутрішня затримка 1–3 мс) та два у віддаленому
регіоні (затримка 15–45 мс). Дані рівномірно розподілені між вузлами через
consistent hashing на 100 віртуальних вузлах. Вхідне навантаження
генерувалось за змішаним сценарієм – 70% READ, 30% WRITE –
з інтенсивністю від 100 до 2000 RPS (Requests Per Second). Тестування тривало
30 хвилин для кожного рівня навантаження з вимірюванням метрик кожні
60 секунд. Початкові значення: α = 0.40, β = 0.35, γ = 0.25; W = 500; λ = 0.3;
ε = 0.1.
Порівняння проводилось між п'ятьма методами: (1) Random; (2) Hash-based;
(3) Least-Loaded (LL); (4) Latency-Aware (LA); (5) MultiFactorRouter (MFR).
Для кожного методу додатково обчислювались P95-латентність та коефіцієнт
варіації latency (CV = σ/μ), що є стандартними метриками оцінки стабільності
продуктивності в дослідженнях розподілених систем.
Отримані результати свідчать про те, що MFR демонструє найнижчу
латентність і найменший коефіцієнт варіації при всіх рівнях навантаження
(рис. 1).
Рис. 1. Середня затримка (мс) методів Random, Hash, LL, LA та MFR при навантаженні
100, 1000 і 2000 RPS
Зниження CV з 48.9% (Random) до 24.6% (MFR) при 2000 RPS вказує на
значно більш стабільну та передбачувану поведінку системи – критичну
характеристику для SLA-орієнтованих застосунків. P95-затримка при 2000
~ 282 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
RPS становить 80.7 мс (MFR) проти 162.4 мс (Random), що відповідає
зниженню на 50.3%. Зменшення P95-латентності є особливо важливим
показником, оскільки саме хвостова затримка визначає суб'єктивну якість
обслуговування для кінцевих користувачів.
Це узгоджується з теоретичною моделлю: рівномірний розподіл
навантаження усуває чергу на перевантажених вузлах – основне джерело
хвостових затримок. Latency-Aware поступається MFR у середньому на 11.4%,
оскільки не враховує ресурсний стан вузлів.
Таблиця 2. Пропускна здатність системи (успішно виконаних запитів/с)
RPS Random Hash Least-Loaded Latency-Aware MFR
500 471 489 493 495 498
1000 903 951 958 967 982
1500 1281 1389 1401 1418 1437
2000 1548 1712 1731 1768 1820
При інтенсивності 2000 RPS MFR забезпечує пропускну здатність
1820 запитів/с, що перевищує показники Random на 17.6%, Hash на 6.3%,
LL на 5.1% та LA на 2.9%. Перевага над LA є меншою, оскільки цей метод
також ефективно знижує мережеву затримку; проте MFR стабільно перевищує
його завдяки одночасному врахуванню ресурсного та топологічного факторів.
Загальне середнє збільшення пропускної здатності порівняно з Random
становить 41.2% у діапазоні 500–2000 RPS.
Таблиця 3. Завантаженість CPU вузлів (%) при навантаженні 1500 RPS
Метод N1 N2 N3 N4 N5 Пік Std Dev
Random 71.2 68.4 82.1 41.3 73.8 82.1 15.3
Hash 64.8 71.1 59.3 78.4 62.7 78.4 7.6
LL 62.1 65.3 61.8 63.4 62.9 65.3 1.8
LA 69.4 67.2 72.8 54.1 71.3 72.8 7.1
MFR 61.3 58.7 63.1 57.4 60.9 63.1 2.3
MFR досягає стандартного відхилення 2.3% – показника, зіставного з LL
(1.8%), – однак з нижчим пікових значенням (63.1% проти 65.3%). Це
узгоджується з теоретичною моделлю: LL мінімізує завантаженість, але
ігнорує локальність даних, що призводить до додаткових внутрішньо-
кластерних пересилань і незначного підвищення пікового CPU. LA концентрує
навантаження на мережево-близьких вузлах (Std Dev = 7.1%), що суперечить
меті рівномірного балансування. Застосувавши модель (3) з типовими
параметрами (a = 200 Вт, b = 80 Вт), зниження пікового завантаження вузла з
82.1% (Random) до 63.1% (MFR) відповідає скороченню пікового
енергоспоживання приблизно на 38 Вт. З урахуванням лінійності споживання
при Load > 0.8 фактичний ефект є більшим: вихід з насиченої зони зменшує
~ 283 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
теплове навантаження і дозволяє системі управління живленням переводити
вузли у стани з нижчим TDP. У масштабі кластера з 50 вузлів це може
становити економію понад 2 кВт встановленої потужності.
Упродовж 30-хвилинного тесту при поступовому зростанні навантаження з
100 до 2000 RPS значення коефіцієнтів еволюціонували наступним чином:
α (CPU Load) зросло з 0.40 до 0.58, β (Latency) знизилось з 0.35 до 0.28,
γ (DataDist) знизилось з 0.25 до 0.14. Ця динаміка узгоджується з теоретичною
моделлю: при зростанні навантаження кореляція між Load та RT посилюється
(Corr > ε), що автоматично збільшує α. При проведенні тесту з переважанням
READ/WRITE операцій (90%/10%) механізм адаптації скорегував коефіцієнти
до α = 0.29, β = 0.30, γ = 0.41 – закономірно підвищивши пріоритет
топологічного фактора. Жоден із перелічених конкурентних підходів не
демонструє аналогічної здатності до автоматичної зміни пріоритетів факторів
залежно від типу навантаження.
Висновки
У роботі розроблено та верифіковано метод оптимізації маршрутизації запитів
у розподілених базах даних на основі багатофакторної моделі з механізмом
автономного адаптивного налаштування вагових коефіцієнтів.
Наукова новизна роботи полягає в наступному. На відміну від існуючих
adaptive routing підходів, що застосовують евристичне або статичне
налаштування вагів, у запропонованому методі адаптація є функцією
статистики виконання запитів – зокрема, коефіцієнтів кореляції Пірсона між
метриками вузлів і фактичними затримками у ковзному вікні. Це забезпечує
статистично обґрунтовану та інваріантну до типу навантаження поведінку
системи без участі адміністратора. Метод відрізняється від Least-Loaded,
Latency-Aware та Geo-Distributed Routing тим, що одночасно оптимізує три
класи факторів прийняття рішення – ресурсний, мережевий та топологічний –
і робить це у самоналаштовувальному режимі.
Результати чисельного моделювання підтверджують ефективність методу.
Середня затримка знижується на 38.4%, P95-латентність – на 44.1–50.3%,
пропускна здатність зростає на 41.2%, пікове завантаження окремих вузлів
зменшується на 29.7%, а стандартне відхилення завантаженості між вузлами
скорочується у 6.7 раза. Коефіцієнт варіації latency знижується з 48.9% до
24.6% при максимальному навантаженні, що свідчить про значно стабільнішу
поведінку системи. Отримані результати підтверджують, що запропонований
підхід забезпечує наближення до оптимального розподілу навантаження в
умовах неповної інформації про стан системи.
Запропонований метод має низку обмежень, що визначають напрями
подальших досліджень:
− ефективність адаптивного механізму залежить від точності та
своєчасності метрик вузлів: застарілі або некоректно кешовані значення
призводять до хибних рішень маршрутизації.
− збір метрик у реальному часі генерує додатковий мережевий трафік; при
малому TTL кешу цей overhead може бути невиправданим.
− при k > 100 вузлів складність O(k) на кожне рішення потребує переходу
до ієрархічної схеми.
~ 284 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
− кореляційний аналіз Пірсона передбачає незалежність факторів, тоді як
у реальних системах Load і Latency можуть бути взаємно корельованими:
перевантажений вузол одночасно збільшує і завантаженість процесора, і
мережеву затримку.
Це може призводити до подвійного врахування впливу одного й того ж
явища та спотворення оцінки відносної важливості факторів. Потенційним
розв'язком є попередня ортогоналізація факторів методом PCA, що є напрямом
подальших досліджень.
Перспективи охоплюють кілька напрямів. Розробка варіанта механізму
адаптації на основі авторегресійного аналізу часових рядів навантаження, що
дозволить упереджувати майбутні перевантаження вузлів. Верифікація на
реальних виробничих кластерах із 50–150 вузлами та гетерогенною
топологією. Інтеграція маршрутизатора із механізмами semi-join для
оптимізації розподілених JOIN-операцій між шардами, що є логічним
продовженням авторських розробок.
СПИСОК ЛІТЕРАТУРИ
1. Reinsel, D., Gantz, J., & Rydning, J. (2018, November; data refreshed May 2020). The
digitization of the world: From edge to core (IDC White Paper No. US44413318).
International Data Corporation (IDC); Seagate. https://www.seagate.com/files/www-
content/our-story/trends/files/dataage-idc-report-final.pdf
2. Mytton, D. (2020). Assessing the suitability of the Greenhouse Gas Protocol for calculation
of emissions from public cloud computing workloads. Journal of Cloud Computing: Advances,
Systems and Applications, 9, 45. https://doi.org/10.1186/s13677-020-00185-8
3. Ongaro, D., & Ousterhout, J. (2014, May 20). In search of an understandable consensus
algorithm (Extended version) [Technical report]. Stanford University.
http://ramcloud.stanford.edu/raft.pdf
4. Lamport, L. (1998). The part-time parliament. ACM Transactions on Computer Systems,
16(2), 133–169. https://doi.org/10.1145/279227.279229
5. DeCandia, G., Hastorun, D., Jampani, M., Kakulapati, G., Lakshman, A., Pilchin, A.,
Sivasubramanian, S., Vosshall, P., & Vogels, W. (2007). Dynamo: Amazon's highly
available key-value store. ACM SIGOPS Operating Systems Review, 41(6), 205–220.
https://doi.org/10.1145/1323293.1294281
6. Cardellini, V., Casalicchio, E., Colajanni, M., & Yu, P. S. (2002). The state of the art in
locally distributed Web-server systems. ACM Computing Surveys, 34(2), 263–311.
https://doi.org/10.1145/508352.508355
7. Kraska, T., Pang, G., Franklin, M. J., Madden, S., & Fekete, A. (2013). MDCC: Multi-
data center consistency. Proceedings of the 8th ACM European Conference on Computer
Systems (EuroSys '13), 113–126. https://doi.org/10.1145/2465351.2465363
8. Corbett, J. C., Dean, J., Epstein, M., Fikes, A., Frost, C., Furman, J. J., Ghemawat, S.,
Gubarev, A., Heiser, C., Hochschild, P., et al. (2013). Spanner: Google's globally distributed
database. ACM Transactions on Computer Systems, 31(3), Article 8, 1–22.
https://doi.org/10.1145/2491245
9. Белоус, Р., Крилов, Є., & Анікін, В. (2021). Методи оптимізації запитів
розподілених БД. Адаптивні системи автоматичного управління, 2(39).
https://doi.org/10.20535/1560-8956.39.2021.247364
10. Белоус, Р. В., & Крилов, Є. В. (2024). Мінімізація мережевого трафіку в RAFT-like
consensus algorithm. Комунальне господарство міст, 4(185).
https://doi.org/10.33042/2522-1809-2024-4-185-2-6
11. Özsu, M. T., & Valduriez, P. (2020). Principles of distributed database systems (4th ed.).
Springer. https://doi.org/10.1007/978-3-030-26253-2
https://doi.org/10.1186/s13677-020-00185-8
http://ramcloud.stanford.edu/raft.pdf
https://doi.org/10.1145/279227.279229
https://doi.org/10.1145/1323293.1294281
https://doi.org/10.1145/508352.508355
https://doi.org/10.1145/2465351.2465363
https://doi.org/10.1145/2491245
https://doi.org/10.20535/1560-8956.39.2021.247364
https://doi.org/10.33042/2522-1809-2024-4-185-2-6
~ 285 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
12. Stonebraker, M., & Cattell, R. (2011). 10 rules for scalable performance in 'simple
operation' datastores. Communications of the ACM, 54(6), 72–80.
https://doi.org/10.1145/1953122.1953144
13. Dayarathna, M., Wen, Y., & Fan, R. (2016). Data center energy consumption modeling:
A survey. IEEE Communications Surveys & Tutorials, 18(1), 732–794.
https://doi.org/10.1109/COMST.2015.2481183
14. Белоус, Р., & Крилов, Є. (2023). Оптимізація часу процесу узгодженості даних в
NoSQL. Технічні науки, 3(321), 37–42. https://doi.org/10.31891/2307-5732-2023-321-3-
37-42
15. Zheng, B., Li, X., Tian, Z., & Meng, L. (2022). Optimization method for distributed
database query based on an adaptive double entropy genetic algorithm. IEEE Access, 10.
https://doi.org/10.1109/ACCESS.2022.3141589
16. Luo, W., Lai, D., Ren, B., Huang, X., & Chen, L. (2022). Dynamic load balancing
algorithm for distributed database based on PI feedback. Proceedings of the 2022 3rd
International Conference on Big Data & Artificial Intelligence & Software Engineering
(ICBASE). IEEE. https://doi.org/10.1109/ICBASE57498.2022.9969759
Стаття надійшла до редакції 16.01.2026, надійшла після рецензування 27.02.2026,
прийнята 25.03.2026
REFERENCES
1. Reinsel, D., Gantz, J., & Rydning, J. (2018, November; data refreshed May 2020). The
digitization of the world: From edge to core (IDC White Paper No. US44413318).
International Data Corporation (IDC); Seagate. https://www.seagate.com/files/www-
content/our-story/trends/files/dataage-idc-report-final.pdf
2. Mytton, D. (2020). Assessing the suitability of the Greenhouse Gas Protocol for calculation
of emissions from public cloud computing workloads. Journal of Cloud Computing: Advances,
Systems and Applications, 9, 45. https://doi.org/10.1186/s13677-020-00185-8
3. Ongaro, D., & Ousterhout, J. (2014, May 20). In search of an understandable consensus
algorithm (Extended version) [Technical report]. Stanford University.
http://ramcloud.stanford.edu/raft.pdf
4. Lamport, L. (1998). The part-time parliament. ACM Transactions on Computer Systems,
16(2), 133–169. https://doi.org/10.1145/279227.279229
5. DeCandia, G., Hastorun, D., Jampani, M., Kakulapati, G., Lakshman, A., Pilchin, A.,
Sivasubramanian, S., Vosshall, P., & Vogels, W. (2007). Dynamo: Amazon's highly
available key-value store. ACM SIGOPS Operating Systems Review, 41(6), 205–220.
https://doi.org/10.1145/1323293.1294281
6. Cardellini, V., Casalicchio, E., Colajanni, M., & Yu, P. S. (2002). The state of the art in
locally distributed Web-server systems. ACM Computing Surveys, 34(2), 263–311.
https://doi.org/10.1145/508352.508355
7. Kraska, T., Pang, G., Franklin, M. J., Madden, S., & Fekete, A. (2013). MDCC: Multi-
data center consistency. Proceedings of the 8th ACM European Conference on Computer
Systems (EuroSys '13), 113–126. https://doi.org/10.1145/2465351.2465363
8. Corbett, J. C., Dean, J., Epstein, M., Fikes, A., Frost, C., Furman, J. J., Ghemawat, S.,
Gubarev, A., Heiser, C., Hochschild, P., et al. (2013). Spanner: Google's globally distributed
database. ACM Transactions on Computer Systems, 31(3), Article 8, 1–22.
https://doi.org/10.1145/2491245
9. Belous, R., Krylov, Y., & Anikin, V. (2021). Query optimization methods for distributed
databases. Adaptive Systems of Automatic Control, 2(39). https://doi.org/10.20535/1560-
8956.39.2021.247364
10. Belous, R. V., & Krylov, Y. V. (2024). Network traffic minimization in RAFT-like
consensus algorithm. Municipal Economy of Cities, 4(185). https://doi.org/10.33042/2522-
1809-2024-4-185-2-6
https://doi.org/10.1145/1953122.1953144
https://doi.org/10.31891/2307-5732-2023-321-3-37-42
https://doi.org/10.31891/2307-5732-2023-321-3-37-42
https://doi.org/10.1109/ACCESS.2022.3141589
https://doi.org/10.1109/ICBASE57498.2022.9969759
https://doi.org/10.1186/s13677-020-00185-8
http://ramcloud.stanford.edu/raft.pdf
https://doi.org/10.1145/279227.279229
https://doi.org/10.1145/1323293.1294281
https://doi.org/10.1145/508352.508355
https://doi.org/10.1145/2465351.2465363
https://doi.org/10.1145/2491245
~ 286 ~
ISSN: 2411-4049. Екологічна безпека та природокористування, вип. 2 (58), 2026
11. Özsu, M. T., & Valduriez, P. (2020). Principles of distributed database systems (4th ed.).
Springer. https://doi.org/10.1007/978-3-030-26253-2
12. Stonebraker, M., & Cattell, R. (2011). 10 rules for scalable performance in 'simple
operation' datastores. Communications of the ACM, 54(6), 72–80.
https://doi.org/10.1145/1953122.1953144
13. Dayarathna, M., Wen, Y., & Fan, R. (2016). Data center energy consumption modeling:
A survey. IEEE Communications Surveys & Tutorials, 18(1), 732–794.
https://doi.org/10.1109/COMST.2015.2481183
14. Belous, R., & Krylov, Y. (2023). Optimization of data consistency process time in
NoSQL. Technical Sciences, 3(321), 37–42. https://doi.org/10.31891/2307-5732-2023-321-
3-37-42
15. Zheng, B., Li, X., Tian, Z., & Meng, L. (2022). Optimization method for distributed
database query based on an adaptive double entropy genetic algorithm. IEEE Access, 10.
https://doi.org/10.1109/ACCESS.2022.3141589
16. Luo, W., Lai, D., Ren, B., Huang, X., & Chen, L. (2022). Dynamic load balancing
algorithm for distributed database based on PI feedback. Proceedings of the 2022 3rd
International Conference on Big Data & Artificial Intelligence & Software Engineering
(ICBASE). IEEE. https://doi.org/10.1109/ICBASE57498.2022.9969759
The article was received 16.01.2026, received after revision 27.02.2026, accepted
25.03.2026
Белоус Роман Володимирович
доктор філософії (PhD), молодший науковий співробітник Інституту телекомунікацій
і глобального інформаційного простору Національної академії наук України
Адреса робоча: Україна, м. Київ, Чоколівський бульвар, 13
ORCID ID: https://orcid.org/0000-0002-7588-941X e-mail: belous22@ukr.net
Мосійчук Дмитро Іванович
аспірант Інституту телекомунікацій і глобального інформаційного простору
Національної академії наук України
Адреса робоча: Україна, м. Київ, Чоколівський бульвар, 13
ORCID ID: https://orcid.org/0009-0005-3864-1019 e-mail: deusplus@gmail.com
https://doi.org/10.1145/1953122.1953144
https://doi.org/10.1109/ACCESS.2022.3141589
https://doi.org/10.1109/ICBASE57498.2022.9969759
https://orcid.org/0000-0001-8445-8251
https://orcid.org/0000-0001-8445-8251
𝛼 s m o o t h = 𝜆 ⋅ 𝛼 n e w + ( 1 − 𝜆 ) ⋅ 𝛼 p r e v
Z = | C o r r ( L o a d , R T ) | + | C o r r ( L a t e n c y , R T ) | + | C o r r ( D a t a D i s t , R T ) |
γ n e w = | C o r r ( D a t a D i s t , R T ) | / Z
β n e w = | C o r r ( L a t e n c y , R T ) | / Z
𝛼 n e w = | C o r r ( L o a d , R T ) | / Z
C o r r ( X , R T )
𝜎 R T
𝜎 X
C o v ( X , R T ) = 1 W − 1 ∑ t = 1 W ( X t − X - ) ( R T t − R T - )
C o r r ( X , R T )
C o r r ( X , R T ) = C o v ( X , R T ) / ( σ X ⋅ σ R T )
P ^ ( n i ) = [ P ( n i ) − min j P ( n j ) ] / [ max j P ( n j ) − min j P ( n j ) ]
D a t a D i s t ( n i )
L a t e n c y ( n i )
L o a d ( n i )
S c o r e ( n i ) = 𝛼 ⋅ L o a d ( n i ) + 𝛽 ⋅ L a t e n c y ( n i ) + 𝛾 ⋅ D a t a D i s t ( n i )
P ( n i ) = a ⋅ Load ( n i ) + b
min n ∈ N ∑ i w i ⋅ f i ( n ) , ∑ i w i = 1 , w i ≥ 0
f : Q × N → n ∗ , n ∗ ∈ N
|
| id | es-journalinua-article-365076 |
| institution | Environmental safety and natural resources |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-19T01:01:18Z |
| publishDate | 2026 |
| publisher | Kyiv National University of Construction and Architecture |
| record_format | ojs |
| resource_txt_mv | es-journalinua/90/abc722a0f2ff5d9119e1c1d3eb8f5690.pdf |
| spelling | es-journalinua-article-3650762026-06-18T11:17:53Z A method for optimizing query routing in distributed databases to reduce latency and load Метод оптимізації маршрутизації запитів у розподілених базах даних для зменшення затримок і навантаження Belous, Roman Mosiichuk, Dmytro distributed databases query routing load balancing network latency adaptive optimization розподілені бази даних маршрутизація запитів балансування навантаження мережева затримка адаптивна оптимізація This paper develops a query routing method for distributed databases that reduces network latency and achieves uniform load distribution across cluster nodes through a statistically grounded, autonomous adaptive tuning of scoring function weights.A multi-factor scoring model is proposed for target-node selection, incorporating CPU load, round-trip network latency, and topological data distance. Unlike existing adaptive routing approaches that rely on heuristic or static weight assignment, the proposed method determines weights through a statistically grounded procedure based on Pearson correlation analysis between each factor and observed query response times within a sliding window, smoothed by exponential moving average (EMA). This design ensures invariance to workload type without administrator intervention.Simulation on a five-node cluster demonstrates a 38.4% reduction in mean query latency, a 44.1% reduction in P95 latency, a 41.2% increase in throughput, and a 29.7% reduction in peak per-node CPU utilization compared to random routing. Load standard deviation across nodes decreases by a factor of 6.7.For the first time, a weight-adaptation mechanism is proposed in which adaptation is a function of execution statistics rather than a rule set, providing theoretically grounded behavior under varying workloads. The method addresses a gap left by latency-aware, least-loaded, and geo-distributed routing, none of which jointly optimize resource, network, and topological factors adaptively.Deployable as a middleware layer without modifying application logic. Uniform load distribution lowers peak server energy consumption, contributing to the carbon footprint reduction of data-center infrastructure.Complexity is O(k) per routing decision; clusters exceeding 100 nodes require hierarchical adaptation. The independence assumption between factors is a known limitation addressed in future work. Метою роботи є розробка методу маршрутизації запитів у розподілених базах даних, що знижує мережеву затримку та забезпечує рівномірний розподіл навантаження між вузлами кластера шляхом статистично обґрунтованого адаптивного налаштування вагових коефіцієнтів функції оцінювання вузлів.Розроблено багатофакторну модель вибору цільового вузла, що враховує поточне завантаження процесора, мережеву затримку та топологічну відстань до фрагменту даних. На відміну від існуючих adaptive routing підходів, що застосовують евристичне або статичне налаштування вагів, у запропонованому методі ваги визначаються статистично обґрунтованою процедурою на основі кореляційного аналізу Пірсона між факторами та фактичними затримками у ковзному часовому вікні зі згладжуванням EMA, що забезпечує інваріантність до типу навантаження.Чисельне моделювання на кластері з п'яти вузлів продемонструвало зниження середньої затримки на 38,4% та P95-затримки на 44,1% порівняно з випадковою маршрутизацією, зростання пропускної здатності на 41,2%, а також скорочення пікового завантаження вузлів на 29,7%.Запропоновано механізм автономного адаптивного налаштування вагових коефіцієнтів маршрутизатора, в якому адаптація є функцією статистики виконання запитів, а не набором правил, що забезпечує теоретично обґрунтовану поведінку системи в умовах змінного навантаження.Метод є придатним для впровадження через middleware-компонент. Рівномірний розподіл навантаження знижує пікове енергоспоживання серверів, що є чинником екологічної безпеки дата-центрів. Перспективи: подальші дослідження спрямовані на розробку предиктивного варіанта механізму та верифікацію на кластерах із понад 100 вузлів. Kyiv National University of Construction and Architecture 2026-06-18 Article Article application/pdf https://es-journal.in.ua/article/view/365076 10.32347/2411-4049.2026.2.274-286 Environmental safety and natural resources; Vol. 58 No. 2 (2026): Environmental safety and natural resources; 274-286 Екологічна безпека та природокористування; Том 58 № 2 (2026): Екологічна безпека та природокористування; 274-286 2616-2121 2411-4049 10.32347/2411-4049.2026.2 uk https://es-journal.in.ua/article/view/365076/350577 Copyright (c) 2026 Р.В. Белоус, Д.І. Мосійчук http://creativecommons.org/licenses/by/4.0 |
| spellingShingle | distributed databases query routing load balancing network latency adaptive optimization Belous, Roman Mosiichuk, Dmytro A method for optimizing query routing in distributed databases to reduce latency and load |
| title | A method for optimizing query routing in distributed databases to reduce latency and load |
| title_alt | Метод оптимізації маршрутизації запитів у розподілених базах даних для зменшення затримок і навантаження |
| title_full | A method for optimizing query routing in distributed databases to reduce latency and load |
| title_fullStr | A method for optimizing query routing in distributed databases to reduce latency and load |
| title_full_unstemmed | A method for optimizing query routing in distributed databases to reduce latency and load |
| title_short | A method for optimizing query routing in distributed databases to reduce latency and load |
| title_sort | method for optimizing query routing in distributed databases to reduce latency and load |
| topic | distributed databases query routing load balancing network latency adaptive optimization |
| topic_facet | distributed databases query routing load balancing network latency adaptive optimization розподілені бази даних маршрутизація запитів балансування навантаження мережева затримка адаптивна оптимізація |
| url | https://es-journal.in.ua/article/view/365076 |
| work_keys_str_mv | AT belousroman amethodforoptimizingqueryroutingindistributeddatabasestoreducelatencyandload AT mosiichukdmytro amethodforoptimizingqueryroutingindistributeddatabasestoreducelatencyandload AT belousroman metodoptimízacíímaršrutizacíízapitívurozpodílenihbazahdanihdlâzmenšennâzatrimokínavantažennâ AT mosiichukdmytro metodoptimízacíímaršrutizacíízapitívurozpodílenihbazahdanihdlâzmenšennâzatrimokínavantažennâ AT belousroman methodforoptimizingqueryroutingindistributeddatabasestoreducelatencyandload AT mosiichukdmytro methodforoptimizingqueryroutingindistributeddatabasestoreducelatencyandload |