An adaptive consistency and parallelism model in distributed databases
This paper proposes and investigates a novel model for adaptive management of consistency and parallel processing in distributed databases for high-load information systems. The goal of the model is to overcome the fundamental trade-off between ensuring a high level of data consistency (achieved thr...
Збережено в:
| Дата: | 2026 |
|---|---|
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
PROBLEMS IN PROGRAMMING
2026
|
| Теми: | |
| Онлайн доступ: | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1023 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Problems in programming |
| Завантажити файл: |  |
Репозитарії
Problems in programming| _version_ | 1869381596902064128 |
|---|---|
| author | Lipatov, D.Yu. Khrypko, S.L. |
| author_facet | Lipatov, D.Yu. Khrypko, S.L. |
| author_institution_txt_mv | [
{
"author": "D.Yu. Lipatov",
"institution": "Classical Private University"
},
{
"author": "S.L. Khrypko",
"institution": "Classical Private University"
}
] |
| author_sort | Lipatov, D.Yu. |
| baseUrl_str | https://pp.isofts.kiev.ua/index.php/ojs1/oai |
| collection | OJS |
| datestamp_date | 2026-06-29T10:43:50Z |
| description | This paper proposes and investigates a novel model for adaptive management of consistency and parallel processing in distributed databases for high-load information systems. The goal of the model is to overcome the fundamental trade-off between ensuring a high level of data consistency (achieved through increased quorum parameters and synchronization among replicas) and the requirements for low latency and high system throughput under intensive parallel workloads. The proposed model formalizes a dynamic mechanism for adapting key parameters of a distributed system, in particular consistency levels and the degree of parallelism, based on continuous monitoring and analysis of the system state. The model implements a closed-loop adaptive control cycle and is designed using a microservices architecture with containerization, which ensures scalability and flexibility of configuration. Experimental results demonstrate that the model reduces the average request processing latency by 20–40% and increases throughput by 15–30% through adaptive parallelism control, while maintaining a stable level of data consistency, reflected in a reduced conflict rate under dynamically changing workloads. The proposed approach has practical significance for optimizing the performance and reliability of modern information systems, particularly in domains such as financial technologies, e-commerce, the Internet of Things, and cloud services.Problems in programming 2026; 2: 28-36 |
| first_indexed | 2026-06-30T01:00:16Z |
| format | Article |
| fulltext |
Паралельне програмування і розподілені системи
28
© Д.Ю. Ліпатов, С.Л. Хрипко, 2026
ISSN 1727-4907. Проблеми програмування. 2026. №2
https://pp.isofts.kiev.ua
CC BY 4.0
УДК 004.272 https://doi.org/10.15407/pp2026.02.028
Д.Ю. Ліпатов, С.Л. Хрипко
АДАПТИВНА МОДЕЛЬ УЗГОДЖЕНОСТІ ТА ПАРАЛЕЛЬНОЇ
ОБРОБКИ В РОЗПОДІЛЕНИХ БАЗАХ ДАНИХ
У статті запропоновано та досліджено нову модель адаптивного керування узгодженістю та паралельною
обробкою в розподілених базах даних для високонавантажених інформаційних систем. Метою розробки
моделі є подолання фундаментального протиріччя між необхідністю забезпечення високого рівня узго-
дженості даних (що досягається шляхом збільшення параметрів кворуму та синхронізації між репліками)
та вимогами до низької затримки і високої пропускної здатності системи в умовах інтенсивного парале-
льного навантаження. Запропонована модель формалізує динамічний механізм адаптації параметрів ро-
зподіленої системи, зокрема рівнів узгодженості та ступеня паралелізму, на основі безперервного ана-
лізу стану системи. Модель реалізує замкнений адаптивний цикл, побудована на основі мікросервісного
підходу із використанням контейнеризації, що забезпечує масштабованість та гнучкість налаштування.
Експериментальні результати демонструють, що модель забезпечує зниження середньої затримки обро-
бки запитів на 20–40%, а також підвищення пропускної здатності на 15–30% за рахунок адаптивного
керування паралельністю, водночас досягається стабілізація рівня узгодженості даних, що проявляється
у зменшенні частоти конфліктів у разі динамічних змін навантаження. Практичне значення роботи поля-
гає у можливості застосування запропонованої моделі для оптимізації продуктивності та надійності су-
часних інформаційних систем, зокрема у сферах фінансових технологій, електронної комерції, Інтернету
речей та хмарних сервісів.
Ключові слова: розподілені бази даних, адаптивна узгодженість, паралельна обробка, контейнеризація,
високонавантажені системи, оптимізація продуктивності
D.Yu. Lipatov, S.L. Khrypko
AN ADAPTIVE CONSISTENCY AND PARALLELISM MODEL
IN DISTRIBUTED DATABASES
This paper proposes and investigates a novel model for adaptive management of consistency and parallel
processing in distributed databases for high-load information systems. The goal of the model is to overcome the
fundamental trade-off between ensuring a high level of data consistency (achieved through increased quorum
parameters and synchronization among replicas) and the requirements for low latency and high system
throughput under intensive parallel workloads.
The proposed model formalizes a dynamic mechanism for adapting key parameters of a distributed system, in
particular consistency levels and the degree of parallelism, based on continuous monitoring and analysis of the
system state. The model implements a closed-loop adaptive control cycle and is designed using a microservices
architecture with containerization, which ensures scalability and flexibility of configuration.
Experimental results demonstrate that the model reduces the average request processing latency by 20–40% and
increases throughput by 15–30% through adaptive parallelism control, while maintaining a stable level of data
consistency, reflected in a reduced conflict rate under dynamically changing workloads.
The proposed approach has practical significance for optimizing the performance and reliability of modern
information systems, particularly in domains such as financial technologies, e-commerce, the Internet of Things,
and cloud services.
Keywords: distributed databases, adaptive consistency, parallel processing, containerization, high-load systems,
performance optimization
Вступ
Швидкий розвиток розподілених баз
даних та технологій паралельних обчис-
лень дозволив створити високонавантажені
інформаційні системи, здатні обробляти ве-
ликомасштабні потоки даних у режимі реа-
льного часу [6, 7, 14]. Такі системи широко
використовуються в хмарних обчисленнях,
платформах Інтернету речей, фінансових
послугах та аналітиці в режимі реального
часу, де критично важливими є як продук-
тивність, так і надійність [9].
Паралельне програмування і розподілені системи
29
Однак розробники систем стика-
ються з фундаментальною архітектурною
дилемою: як забезпечити високий рівень
узгодженості даних, водночас зберігаючи
низьку затримку та високу пропускну здат-
ність [2, 3, 11]. Підвищення рівня узгодже-
ності гарантує правильність даних, але при-
зводить до більшої затримки та зниження
швидкості реагування системи [1, 11]. І на-
впаки, - послаблення обмежень узгоджено-
сті покращує продуктивність та масштабо-
ваність системи, але створює ризики конф-
ліктів даних та тимчасової неузгодженості
[1, 10].
Цей компроміс особливо очевидний
у сучасних розподілених NoSQL-системах,
таких як Dynamo та Cassandra, які надають
пріоритет доступності та масштабованості
за допомогою моделей остаточної узгодже-
ності [4, 5]. Хоча такі підходи покращують
відмовостійкість, вони вимагають додатко-
вих механізмів для обробки конфліктів та
забезпечення прийнятних рівнів узгодже-
ності.
Існуючі рішення зазвичай спира-
ються на статичні конфігурації системних
параметрів та рівні паралельної обробки. Ці
конфігурації можуть добре працювати за
певних робочих навантажень, але стають
неефективними в динамічних та гетероген-
них умовах [12, 15]. Більше того, практичні
дослідження розподілених програм баз да-
них підтверджують мінливість поведінки
системи за реальних робочих навантажень,
підкреслюючи необхідність адаптивних ме-
ханізмів [16].
Тому існує очевидна потреба в дина-
мічному, контекстно залежному підході,
який розглядає управління узгодженістю та
паралельну обробку як багатоцільову за-
дачу оптимізації в реальному часі.
Метою даної роботи є розробка фор-
мальної моделі та практичної архітектури
для адаптивного керування узгодженістю
та паралельною обробкою в розподілених
базах даних, орієнтованої на динамічне вра-
хування контексту виконання. Наукова но-
визна полягає у формалізації контекстно за-
лежного механізму ухвалення рішень на ос-
нові багатокритеріальної функції вартості,
що враховує ключові метрики якості обслу-
говування (QoS) та використання ресурсів,
а також у його інтеграції в контейнеризо-
вану мікросервісну архітектуру розподіле-
ної системи.
Гіпотеза дослідження: Адаптивна
модель керування параметрами розподі-
леної бази даних, яка динамічно змінює
рівень узгодженості та ступінь паралелі-
зму залежно від поточного стану системи
та характеристик навантаження, дозво-
лить суттєво підвищити продуктивність,
зменшити затримки обробки запитів та за-
безпечити контрольований рівень узго-
дженості даних порівняно зі статичними
підходами.
1. Огляд проблеми та існуючих
підходів
Традиційні розподілені системи спи-
раються на сильні моделі узгодженості, ре-
алізовані за допомогою консенсусних про-
токолів, що забезпечує правильність ціною
зниження продуктивності [3, 13]. На проти-
вагу цьому, сучасні NoSQL-системи вико-
ристовують розслаблені моделі узгоджено-
сті для досягнення кращої масштабованості
та доступності [4, 5].
Паралельні фреймворки для обро-
бки даних, такі як MapReduce та Apache
Spark, дозволяють ефективно обробляти
великомасштабні дані, розподіляючи об-
числення між кількома вузлами [7, 14].
Однак збільшення кількості паралельних
потоків не завжди приводить до покра-
щення продуктивності через конкуренцію
за ресурси та накладні витрати на синхро-
нізацію [15].
Нещодавні дослідження розглядали
адаптивні методи оптимізації розподілених
систем з урахуванням робочого наванта-
ження [12]. Крім того, механізми вирі-
шення конфліктів, такі як безконфліктно
репліковані типи даних (CRDT), забезпечу-
ють теоретичну основу для управління уз-
годженістю в розподілених середовищах
[10].
Незважаючи на ці досягнення, існу-
ючі підходи часто розглядають узгодже-
ність та паралелізм окремо, не маючи єди-
ного адаптивного фреймворку, який би спі-
льно оптимізував обидва аспекти.
Паралельне програмування і розподілені системи
30
Це підкреслює важливість не лише
високої продуктивності системи, а й забез-
печення узгодженості даних, відмовостій-
кості та передбачуваності поведінки в умо-
вах змінного навантаження, що є критич-
ним викликом для розподілених систем, де
параметри обробки та рівень узгодженості
можуть динамічно змінюватися.
Отже, очевидною є потреба у дина-
мічній, контекстно обумовленій моделі,
яка розглядає керування узгодженістю та
паралельною обробкою не як статично за-
дану конфігурацію, а як задачу багатокри-
теріальної оптимізації в реальному часі.
Така модель повинна враховувати не
лише поточний рівень навантаження, а й
сукупність параметрів системи: прогнозо-
вану затримку обробки запитів, доступні
обчислювальні ресурси, інтенсивність
конфліктів між репліками, характерис-
тики мережевої взаємодії та допустимі
компроміси між узгодженістю даних і
продуктивністю для конкретного сцена-
рію використання.
2. Формальна модель адаптивного
керування узгодженістю та
паралельною обробкою
Запропонована модель реалізує під-
хід адаптивного керування параметрами
розподіленої бази даних із динамічним ви-
бором рівня узгодженості та ступеня пара-
лелізму на основі спеціалізованого модуля
— Adaptive Consistency and Parallelism
Manager (ACPM).
Для кожного інтервалу часу або за-
питу Q модуль ACPM формує рішення
𝐷𝐷 = (𝑅𝑅, 𝑊𝑊, 𝑇𝑇)
де R і W — параметри для операцій читання
та запису відповідно, а T — кількість пара-
лельних потоків обробки. Це рішення ви-
значає режим функціонування системи за-
лежно від поточного стану середовища та
вимог до якості сервісу.
Ухвалення рішення базується на
контекстному векторі:
𝐶𝐶 = {𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙, 𝐶𝐶𝑡𝑡ℎ𝑟𝑟, 𝐶𝐶𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐, 𝐶𝐶𝑟𝑟𝑟𝑟𝑟𝑟, 𝐶𝐶𝑙𝑙𝑜𝑜𝑜𝑜𝑜𝑜 }
де: 𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙 — поточний рівень затримки
(latency), 𝐶𝐶𝑡𝑡ℎ𝑟𝑟 — пропускна здатність
(throughput), 𝐶𝐶𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 — частота конфліктів
або неузгодженостей, 𝐶𝐶𝑟𝑟𝑟𝑟𝑟𝑟 — використання
обчислювальних ресурсів (CPU, пам’ять),
𝐶𝐶𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 — характеристика навантаження (ін-
тенсивність, read/write).
Вибір оптимального рішення форма-
лізується як задача мінімізації функції вар-
тості: 𝐶𝐶𝑜𝑜𝑜𝑜𝑜𝑜(𝐷𝐷) = 𝑤𝑤𝑙𝑙𝑙𝑙𝑙𝑙·𝐿𝐿(𝐷𝐷) + 𝑤𝑤𝑡𝑡ℎ𝑟𝑟· 1
𝑇𝑇ℎ(𝐷𝐷) +
𝑤𝑤𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐·Confl(D) + 𝑤𝑤𝑟𝑟𝑟𝑟𝑟𝑟·Res(D), де: L(D) ≈
α(R, W) + β(Т)−1 — прогнозована затримка,
Th(D) =T/(L + витрати) — пропускна здат-
ність, 𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶𝐶(𝐷𝐷) = 𝑒𝑒𝑒𝑒𝑒𝑒(−𝑘𝑘 · (𝑅𝑅 + 𝑊𝑊)) —
рівень конфліктів, Res(D) — використання
ресурсів, 𝑤𝑤і — вагові коефіцієнти, що ви-
значають пріоритети оптимізації. Вагові
коефіцієнти адаптуються динамічно зале-
жно від контексту системи. Зокрема, у разі
високого навантаження зростає вагомість
(𝑤𝑤𝑡𝑡ℎ𝑟𝑟), за умови зростання конфліктів — ва-
гомість узгодженості (𝑤𝑤𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐), а у випадку
перевантаження ресурсів зростає вагомість
обмеження використання ресурсів (𝑤𝑤𝑟𝑟𝑟𝑟𝑟𝑟).
Ваги динамічно коригуються залежно від
контексту системи, що забезпечує адапти-
вну поведінку [11, 12]. Обробка конфліктів
підтримується за допомогою механізмів на
основі CRDT, що забезпечує остаточну уз-
годженість без глобальної синхронізації
[10].
Для забезпечення коректності ро-
боти системи вводиться обмеження узго-
дженості: 𝑅𝑅 + 𝑊𝑊 > 𝑁𝑁, де N — кількість
реплік у кластері. У загальному випадку
ACPM оцінює функцію вартості для мно-
жини допустимих конфігурацій та обирає
рішення з мінімальними очікуваними ви-
тратами. Адаптивний режим у розподіле-
них базах даних реалізується як гібридна
стратегія керування, що поєднує переваги
різних рівнів узгодженості та ступенів па-
ралелізму. Такий підхід дозволяє одноча-
сно досягати низької затримки обробки
запитів, характерної для слабкої узгодже-
ності, та високої надійності даних, прита-
манної строгим моделям узгодженості. Гі-
бридний режим може бути реалізований
як у паралельному варіанті, коли операції
виконуються з різними рівнями узгодже-
Паралельне програмування і розподілені системи
31
ності з подальшою синхронізацією ре-
зультатів, так і у послідовному режимі, де
первинна обробка здійснюється з мініма-
льними витратами часу, а подальша вери-
фікація або уточнення — із підвищеним
рівнем узгодженості. Запропонований
підхід забезпечує адаптивний баланс між
ключовими характеристиками системи,
зокрема затримкою, пропускною здатні-
стю, рівнем узгодженості та ефективністю
використання обчислювальних ресурсів.
Для ефективного прогнозування якості
обслуговування системи за різних конфі-
гурацій (R, W, T) ми використовуємо мо-
дель на основі регресії, яка зіставляє спо-
стережуване робоче навантаження та сис-
темні метрики з очікуваними порушен-
нями затримки, пропускної здатності та
узгодженості. Це дозволяє проактивно
адаптувати параметри керування.
3. Архітектурна реалізація моделі
Запропонована модель ACPM інте-
грована в багаторівневу архітектуру роз-
поділеної системи (Рис. 1), що включає
клієнтський рівень, сервісний рівень та рі-
вень даних. Такий підхід забезпечує моду-
льність, масштабованість і можливість
динамічної адаптації параметрів системи
в умовах змінного навантаження. На кліє-
нтському рівні, реалізованому через API
Gateway, відбувається ініціація запитів Q
та їх маршрутизація до розподіленого кла-
стера бази даних. Клієнтський рівень та-
кож може включати механізми кешування
та попередньої обробки запитів, що до-
зволяє зменшити навантаження на сис-
тему та скоротити час відгуку. На сервіс-
ному рівні ключовим компонентом є ме-
неджер ACPM, який реалізує логіку адап-
тивного керування. Він взаємодіє з моду-
лем моніторингу, що збирає інформацію
про стан системи (затримка, пропускна
здатність, рівень конфліктів, викорис-
тання ресурсів), та формує контекстний
вектор C. На основі цього вектора ACPM
виконує оцінку множини можливих кон-
фігурацій D=(R,W,T) та обирає оптима-
льне рішення шляхом мінімізації функції
вартості. Модуль ухвалення рішень реа-
лізовано як окремий контейнеризований
сервіс, який може використовувати як ев-
ристичні правила, так і моделі машинного
навчання для прогнозування поведінки
системи. Модуль управління узгоджені-
стю (Consistency Controller) відповідає за
застосування обраної конфігурації, зок-
рема зміну параметрів (читання або запис)
та налаштування рівнів узгодженості для
операцій читання і запису. Паралельно
виконується керування кількістю потоків
обробки запитів, що дозволяє оптимізу-
вати використання обчислювальних ресу-
рсів. На рівні даних розгорнуто розподі-
лений кластер бази даних (NoSQL-сис-
тема), який підтримує горизонтальне мас-
штабування, реплікацію та налаштову-
вану узгодженість. [4, 6] Вузли кластера
функціонують у контейнеризованому се-
редовищі, що забезпечує гнучкість розго-
ртання та можливість швидкого масшта-
бування. Взаємодія між вузлами відбува-
ється через внутрішні протоколи синхро-
нізації, що забезпечують підтримку зада-
ного рівня узгодженості.
Рис. 1. Багаторівнева архітектура АСРМ
Паралельне програмування і розподілені системи
32
На відміну від традиційних механіз-
мів автомасштабування, наш підхід вклю-
чає обмеження узгодженості, гарантуючи,
що рішення щодо масштабування не пору-
шують необхідний
рівень цілісності даних.
Архітектура базується на мікросер-
вісному підході з використанням контейне-
рів Docker та оркестрації. [8, 13] Основні
компоненти: Кластер розподіленої БД, Мо-
дуль моніторингу, Модуль ухвалення рі-
шень, Модуль управління узгодженістю,
API-шлюз, Генератор навантаження / клі-
єнт.
На рис.2 представлено основний ал-
горитм ухвалення рішення щодо вибору
конфігурації обробки запиту. Процес ініці-
юється надходженням вхідного запиту Q,
після чого виконується оцінка контексту
системи, що включає аналіз рівня затримки,
пропускної здатності, частоти конфліктів,
завантаженості ресурсів та типу операції
(читання або запис). На основі цих параме-
трів формується множина допустимих кон-
фігурацій D=(R,W,T), для яких обчислю-
ється функція вартості.
Подальший етап передбачає вибір
оптимальної конфігурації шляхом мініміза-
ції функції вартості, що відображає комп-
роміс між продуктивністю та узгоджені-
стю. [2, 3] У разі необхідності система може
обрати гібридний режим, за якого частина
операцій виконується з нижчим рівнем уз-
годженості для зменшення затримки, тоді
як критичні операції обробляються з підви-
щеними вимогами до цілісності даних.
Менеджер ACPM формує контекст-
ний вектор C на основі даних, отриманих
від модуля моніторингу, який збирає інфо-
рмацію про стан системи, зокрема затри-
мку, пропускну здатність, рівень конфлік-
тів та використання ресурсів. Далі для кож-
Рис. 2. Діаграма послідовності одного циклу адаптації
Паралельне програмування і розподілені системи
33
ної з можливих конфігурацій D=(R,W,T),
що визначають рівень узгодженості та сту-
пінь паралелізму, обчислюється значення
багатокритеріальної функції вартості
Cost(D). Вагові коефіцієнти 𝑤𝑤𝑖𝑖 у функції ва-
ртості адаптуються динамічно залежно від
значень контексту C. Зокрема, у разі зрос-
тання затримки збільшується вагомість па-
раметра (𝑤𝑤𝑙𝑙𝑙𝑙𝑙𝑙), за умови підвищення час-
тоти конфліктів — вагомість узгодженості
(𝑤𝑤𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐), а під час перевантаження обчислю-
вальних ресурсів — вагомість викорис-
тання ресурсів (𝑤𝑤𝑟𝑟𝑟𝑟𝑟𝑟). Такий підхід забезпе-
чує контекстно орієнтоване керування сис-
темою в реальному часі.
Остаточне рішення D ухвалюється
шляхом порівняння значень функції варто-
сті для множини допустимих конфігурацій
із урахуванням набору евристичних пра-
вил. Наприклад, у разі перевищення поро-
гового значення затримки система автома-
тично знижує параметри для мінімізації за-
тримки, тоді як при високому рівні конфлі-
ктів перевага надається конфігураціям із пі-
двищеним рівнем узгодженості. У разі пе-
ревантаження системи додатково застосо-
вується обмеження кількості паралельних
потоків для запобігання деградації продук-
тивності.
На відміну від підходів CPQ-ситем,
наша модель одночасно оптимізує ступінь
паралелізму (T) разом з R та W, що дозво-
ляє більш повну адаптацію до динамічних
робочих навантажень. Також ми не лише
оптимізуємо паралелізм а й підбираємо фу-
нкцію продуктивності за допомогою регре-
сії, щоб передбачити результати QoS. На ві-
дміну від автомасштабування, наш підхід
передбачає оптимальні конфігурації за об-
межень узгодженості, а не реагує лише на
використання ресурсів.
4. Експериментальна оцінка
ефективності моделі
Запропонована модель ACPM була
валідована у веб орієнтований застосунок
для автоматизації процесів конфігурації, ці-
ноутворення та формування комерційних
пропозицій в середовищі розподіленої ін-
формаційної системи з високим наванта-
женням, виконує сценарії обробки великої
кількості запитів до NoSQL-бази даних.
Для оцінки ефективності адаптивного керу-
вання узгодженістю та паралельною оброб-
кою було проведено серію експериментів,
спрямованих на вимірювання ключових ме-
трик продуктивності та порівняння з базо-
вими підходами.
У межах першого експерименту оці-
нювалися характеристики системи за умови
різних рівнів узгодженості. Для конфігура-
ції зі зниженим затримки та низької узго-
дженості було отримано середню затримку
L(low) = 70±20 мс у разі високої пропускної
здатності Q(low) ≈ 1800 операцій/с, проте зі
збільшеним рівнем конфліктів C(low) ≈
0.08. Для конфігурації з підвищеним рівнем
узгодженості затримка зросла до L(high) =
210±90 мс, а пропускна здатність знизилась
до Q(high) ≈ 950 операцій/с, водночас рі-
вень конфліктів зменшився до C(high) ≈
0.01. Отримані результати підтверджують
наявність класичного компромісу між за-
тримкою та узгодженістю.
У другому експерименті було дослі-
джено вплив ступеня паралелізму на проду-
ктивність системи. Зі збільшенням кілько-
сті потоків обробки до T≈32 спостерігалося
зростання пропускної здатності до Qmax ≈
2000 операцій/с. Проте подальше збіль-
шення кількості потоків призводило до
ефекту насичення та незначного зниження
продуктивності через конкуренцію за ресу-
рси та накладні витрати синхронізації. Вод-
ночас середня затримка зростала з L ≈ 80 мс
до L ≈ 140 мс при максимальному наванта-
женні.
У третьому експерименті було про-
ведено порівняння запропонованої адапти-
вної моделі ACPM з базовими стратегіями:
Static-High-Consistency (фіксована висока
узгодженість), Static-Low-Consistency (фік-
сована мінімальна узгодженість), Static-
Parallelism (фіксована кількість потоків).
Було змодельовано 10 000 запитів із різ-
ними профілями навантаження (read-heavy,
write-heavy, змішані сценарії). Результати
показали, що стратегія Static-High-
Consistency забезпечує мінімальний рівень
конфліктів, але має найвищу затримку та
Паралельне програмування і розподілені системи
34
найнижчу пропускну здатність. Натомість
Static-Low-Consistency демонструє най-
кращу продуктивність, але супроводжу-
ється високою частотою неузгодженостей.
Фіксований паралелізм не дозволяє ефекти-
вно адаптуватися до змін навантаження. За-
пропонована модель ACPM продемонстру-
вала середню затримку на рівні L(adaptive)
≈ 110 мс, що на 20–40% менше порівняно зі
стратегією високої узгодженості, водночас
пропускна здатність зросла до Q(adaptive) ≈
1600–1900 операцій/с. Рівень конфліктів
залишався контрольованим і не перевищу-
вав C(adaptive) ≈ 0.02–0.03, що є компромі-
сним значенням між двома крайніми підхо-
дами.
Четвертий експеримент був спрямо-
ваний на аналіз поведінки моделі ACPM у
різних умовах навантаження. Було встанов-
лено, що під час стабільного навантаження
система обирає конфігурації з підвищеним
рівнем узгодженості, забезпечуючи надій-
ність даних. У разі різкого зростання інтен-
сивності запитів модель автоматично зни-
жує параметри узгодженості та збільшує кі-
лькість потоків, що дозволяє уникнути різ-
кого зростання затримки. У разі переванта-
ження обчислювальних ресурсів відбува-
ється зменшення рівня паралелізму для ста-
білізації системи.
Отримані результати підтверджують
ефективність запропонованої адаптивної
моделі та її здатність динамічно балансу-
вати між продуктивністю, узгодженістю та
використанням ресурсів. Графічні залежно-
сті наведені на рис. 3–5, наочно демонстру-
ють нелінійний характер цих взаємозв’яз-
ків і підтверджують доцільність викорис-
тання адаптивного підходу.
Апроксимація експериментальних
даних виконана експоненційною моделлю,
що дозволило отримати аналітичну залеж-
ність між затримкою та рівнем узгоджено-
сті. Лінеаризація через логарифмічне пере-
творення підтвердила адекватність експо-
ненційної моделі та забезпечила високу то-
чність апроксимації. Отримана функція
може бути використана в алгоритмах адап-
тивного керування параметрами розподіле-
ної системи.
Модель апроксимації:
Рис. 3. Графік залежності затримки від
узгодженості в моделі АСРМ
Рис. 4. Графік залежності
пропускної здатності від кількості потоків
в моделі АСРМ
Рис. 5. Графік залежності узгодженості
від конфліктів в моделі АСРМ
Паралельне програмування і розподілені системи
35
𝐿𝐿(𝐶𝐶) = 𝑎𝑎·𝑒𝑒𝑏𝑏𝑏𝑏 + 𝑐𝑐
де: L(C) — затримка, C — узгодженість, a,
b, c — параметри регресії.
В нашому випадку ми отримали
L(C) ≈ 55,13 * exp(1,54 * C). коефіцієнт де-
термінації R2 ≈ 0.97 Отримана залежність
пропускної здатності від потоків відобра-
жає поведінку, характерну для розподіле-
них систем: Фаза 1 (1 - 20 потоків): майже
експоненційне зростання пропускної здат-
ності за рахунок ефективного паралелізму.
Фаза 2 (20-40 потоків). Відбувається упові-
льнення росту через конкуренцію за ресу-
рси та блокування (locks, I/O contention).
Фаза 3 (>40 потоків): насичення та часткова
деградація продуктивності це типовий
ефект для систем типу NoSQL-кластерів.
Залежність послідовності від конф-
ліктів має експоненційний характер спа-
дання, так за низької узгодженості наклада-
ється високий рівень конфліктів та нестабі-
льність даних, а у разі високої узгодженості
спостерігається те, що конфлікти майже
зникають, але ціною зростання затримки.
Отримані результати демонструють,
що оптимальна кількість потоків існує і за-
лежить від стану системи. При цьому опти-
мальне рішення не є сталим, а змінюється
залежно від поточного стану системи, що
обґрунтовує необхідність використання
адаптивних механізмів керування.
Висновки
У статті запропоновано та реалізо-
вано модель адаптивного керування узго-
дженістю та паралельною обробкою в роз-
поділених базах даних, орієнтовану на ди-
намічне врахування стану системи та хара-
ктеристик навантаження. Проведені експе-
рименти підтвердили основну гіпотезу дос-
лідження, згідно з якою контекстно зале-
жна адаптація параметрів узгодженості та
рівня паралелізму дозволяє досягти суттєво
кращого балансу між затримкою, пропуск-
ною здатністю, рівнем узгодженості та ефе-
ктивністю використання ресурсів порів-
няно зі статичними підходами.
У межах роботи формалізовано мо-
дель ухвалення рішень на основі мінімізації
багатокритеріальної функції вартості, яка
враховує ключові параметри системи, зок-
рема, затримка, пропускна здатність, рівень
конфліктів і завантаженість ресурсів. За-
пропоновану модель (ACPM) реалізовано у
веб-орієнтований застосунок для автомати-
зації процесів конфігурації, ціноутворення
та формування комерційних пропозицій в
середовищі розподіленої інформаційної си-
стеми з високим навантаженням, інтегрова-
ного в мікросервісну архітектуру з викори-
станням контейнеризації, що забезпечує
масштабованість, гнучкість розгортання та
можливість роботи в умовах змінного нава-
нтаження.
Експериментальна оцінка продемон-
струвала ефективність підходу: середня за-
тримка обробки запитів була зменшена на
20–40% порівняно зі стратегіями з фіксова-
ним високим рівнем узгодженості, а пропу-
скна здатність зросла на 15–30% завдяки
адаптивному керуванню паралелізмом. Во-
дночас забезпечено контрольований рівень
конфліктів, що не перевищує 2–3%, свід-
чить про досягнення збалансованого комп-
ромісу між продуктивністю та надійні-
стю[11].
Отримані результати підтверджують
доцільність використання адаптивних під-
ходів у розподілених системах обробки да-
них та демонструють їхній потенціал для
застосування у високонавантажених інфор-
маційних системах, зокрема, у фінансових
сервісах, електронній комерції та IoT-плат-
формах. Перспективи подальших дослі-
джень полягають у розробці інтелектуаль-
них методів автоматичного налаштування
вагових коефіцієнтів функції вартості, за-
стосуванні методів машинного навчання
для прогнозування поведінки системи, а та-
кож розширенні моделі на гетерогенні роз-
поділені середовища та мультихмарні ін-
фраструктури.
References
1. Abadi, D. (2012) ‘Consistency tradeoffs in
modern distributed database system design’,
IEEE Computer, 45(2), pp. 37–42.
doi:10.1109/MC.2012.33.
2. Brewer, E.A. (2000) ‘Towards robust
distributed systems’, in Proceedings of the
Annual ACM Symposium on Principles of
Distributed Computing (PODC), pp. 7–10.
Паралельне програмування і розподілені системи
36
3. Cardellini, V., Colajanni, M. and Yu, P.S.
(2013) ‘Adaptive load balancing in distributed
systems’, IEEE Transactions on Parallel and
Distributed Systems, 24(2), pp. 238–247.
doi:10.1109/TPDS.2012.89.
4. Chang, F. et al. (2008) ‘Bigtable: A distributed
storage system for structured data’, ACM
Transactions on Computer Systems, 26(2),
Article 4. doi:10.1145/1365815.1365816.
5. Curino, C. et al. (2011) ‘Workload-aware
database monitoring and adaptation’, in
Proceedings of the ACM SIGMOD
International Conference on Management of
Data, pp. 851–862.
doi:10.1145/1989323.1989414.
6. Dean, J. and Ghemawat, S. (2008)
‘MapReduce: Simplified data processing on
large clusters’, Communications of the ACM,
51(1), pp. 107–113.
doi:10.1145/1327452.1327492.
7. DeCandia, G. et al. (2007) ‘Dynamo:
Amazon’s highly available key-value store’, in
Proceedings of the 21st ACM Symposium on
Operating Systems Principles (SOSP), pp.
205–220. doi:10.1145/1294261.1294281.
8. Gilbert, S. and Lynch, N. (2002) ‘Brewer’s
conjecture and the feasibility of consistent,
available, partition-tolerant web services’,
ACM SIGACT News, 33(2), pp. 51–59.
doi:10.1145/564585.564601.
9. Khrypko, S.L., Shcherbakov, S.S.
Characteristics of additional distributed
databases, in Reforming the economy in the
context of international cooperation:
mechanisms and strategies: proceedings of the
international scientific and practical
conference (Zaporizhzhja, 6–7 March 2024).
Lviv–Torun: Likha-Press, pp. 74–77.
doi:10.36059/978-966-397-364-7-14.
10. Kleppmann, M. (2017) Designing Data-
Intensive Applications. Sebastopol: O’Reilly
Media.
11. Lakshman, A. and Malik, P. (2010)
‘Cassandra: A decentralized structured storage
system’, ACM SIGOPS Operating Systems
Review, 44(2), pp. 35–40.
doi:10.1145/1773912.1773922.
12. Shapiro, M. et al. (2011) ‘Conflict-free
replicated data types (CRDTs)’, in
Stabilization, Safety, and Security of
Distributed Systems, pp. 386–400.
doi:10.1007/978-3-642-24550-3_29.
13. Tanenbaum, A.S. and van Steen, M. (2017)
Distributed Systems: Principles and
Paradigms. 3rd edn. Pearson.
14. Verma, A. et al. (2015) ‘Large-scale cluster
management at Google with Borg’, in
Proceedings of the European Conference on
Computer Systems (EuroSys), pp. 1–17.
doi:10.1145/2741948.2741964.
15. Vogels, W. (2009) ‘Eventually consistent’,
Communications of the ACM, 52(1), pp. 40–
44. doi:10.1145/1435417.1435432.
16. Zaharia, M. et al. (2016) ‘Apache Spark: A
unified engine for big data processing’,
Communications of the ACM, 59(11), pp. 56–
65. doi:10.1145/2934664.
Дата першого надходження до видання:
30.03.2026
Внутрішня рецензія отримана: 16.04.2026
Зовнішня рецензія отримана: 21.04.2026
Дата прийняття статті до друку: 05.06.2026
Дата публікації: 29.06.2026
Про авторів:
Ліпатов Денис Юрійович,
аспірант
Lipatov Denys,
post-graduate student
http://orcid.org/ 0000-0002-9665-9376
Хрипко Сергій Леонідович,
доктор технічних наук, професор
Khrypko Sergiy,
Ph.D. (technical sciences), professor
http://orcid.org/0000-0002-0647-9935
Місце роботи авторів:
Класичний приватний університет
Classical Private University
69002, м.Запоріжжя,
вул. Жуковського, 70б.
Тел.: (0612) 280 778
|
| id | pp_isofts_kiev_ua-article-1023 |
| institution | Problems in programming |
| keywords_txt_mv | keywords |
| language | Ukrainian |
| last_indexed | 2026-06-30T01:00:16Z |
| publishDate | 2026 |
| publisher | PROBLEMS IN PROGRAMMING |
| record_format | ojs |
| resource_txt_mv | ppisoftskievua/e8/bf7a38611d2f9b55d34dcc692a944ce8.pdf |
| spelling | pp_isofts_kiev_ua-article-10232026-06-29T10:43:50Z An adaptive consistency and parallelism model in distributed databases Адаптивна модель узгодженості та паралельної обробки в розподілених базах даних Lipatov, D.Yu. Khrypko, S.L. distributed databases; adaptive consistency; parallel processing; containerization; high-load systems; performance optimization UDC 004.272 розподілені бази даних; адаптивна узгодженість; паралельна обробка; контейнеризація; високонавантажені системи; оптимізація продуктивності УДК 004.272 This paper proposes and investigates a novel model for adaptive management of consistency and parallel processing in distributed databases for high-load information systems. The goal of the model is to overcome the fundamental trade-off between ensuring a high level of data consistency (achieved through increased quorum parameters and synchronization among replicas) and the requirements for low latency and high system throughput under intensive parallel workloads. The proposed model formalizes a dynamic mechanism for adapting key parameters of a distributed system, in particular consistency levels and the degree of parallelism, based on continuous monitoring and analysis of the system state. The model implements a closed-loop adaptive control cycle and is designed using a microservices architecture with containerization, which ensures scalability and flexibility of configuration. Experimental results demonstrate that the model reduces the average request processing latency by 20–40% and increases throughput by 15–30% through adaptive parallelism control, while maintaining a stable level of data consistency, reflected in a reduced conflict rate under dynamically changing workloads. The proposed approach has practical significance for optimizing the performance and reliability of modern information systems, particularly in domains such as financial technologies, e-commerce, the Internet of Things, and cloud services.Problems in programming 2026; 2: 28-36 У статті запропоновано та досліджено нову модель адаптивного керування узгодженістю та паралельною обробкою в розподілених базах даних для високонавантажених інформаційних систем. Метою розробки моделі є подолання фундаментального протиріччя між необхідністю забезпечення високого рівня узго дженості даних (що досягається шляхом збільшення параметрів кворуму та синхронізації між репліками) та вимогами до низької затримки і високої пропускної здатності системи в умовах інтенсивного парале льного навантаження. Запропонована модель формалізує динамічний механізм адаптації параметрів ро зподіленої системи, зокрема рівнів узгодженості та ступеня паралелізму, на основі безперервного ана лізу стану системи. Модель реалізує замкнений адаптивний цикл, побудована на основі мікросервісного підходу із використанням контейнеризації, що забезпечує масштабованість та гнучкість налаштування. Експериментальні результати демонструють, що модель забезпечує зниження середньої затримки обро бки запитів на 20–40%, а також підвищення пропускної здатності на 15–30% за рахунок адаптивного керування паралельністю, водночас досягається стабілізація рівня узгодженості даних, що проявляється у зменшенні частоти конфліктів у разі динамічних змін навантаження. Практичне значення роботи поля гає у можливості застосування запропонованої моделі для оптимізації продуктивності та надійності су часних інформаційних систем, зокрема у сферах фінансових технологій, електронної комерції, Інтернету речей та хмарних сервісів.Problems in programming 2026; 2: 28-36 PROBLEMS IN PROGRAMMING ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ ПРОБЛЕМИ ПРОГРАМУВАННЯ 2026-06-29 Article Article application/pdf https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1023 PROBLEMS IN PROGRAMMING; No 2 (2026); 28-36 ПРОБЛЕМЫ ПРОГРАММИРОВАНИЯ; No 2 (2026); 28-36 ПРОБЛЕМИ ПРОГРАМУВАННЯ; No 2 (2026); 28-36 1727-4907 uk https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1023/1091 Copyright (c) 2026 PROBLEMS IN PROGRAMMING |
| spellingShingle | distributed databases adaptive consistency parallel processing containerization high-load systems performance optimization UDC 004.272 Lipatov, D.Yu. Khrypko, S.L. An adaptive consistency and parallelism model in distributed databases |
| title | An adaptive consistency and parallelism model in distributed databases |
| title_alt | Адаптивна модель узгодженості та паралельної обробки в розподілених базах даних |
| title_full | An adaptive consistency and parallelism model in distributed databases |
| title_fullStr | An adaptive consistency and parallelism model in distributed databases |
| title_full_unstemmed | An adaptive consistency and parallelism model in distributed databases |
| title_short | An adaptive consistency and parallelism model in distributed databases |
| title_sort | adaptive consistency and parallelism model in distributed databases |
| topic | distributed databases adaptive consistency parallel processing containerization high-load systems performance optimization UDC 004.272 |
| topic_facet | distributed databases adaptive consistency parallel processing containerization high-load systems performance optimization UDC 004.272 розподілені бази даних адаптивна узгодженість паралельна обробка контейнеризація високонавантажені системи оптимізація продуктивності УДК 004.272 |
| url | https://pp.isofts.kiev.ua/index.php/ojs1/article/view/1023 |
| work_keys_str_mv | AT lipatovdyu anadaptiveconsistencyandparallelismmodelindistributeddatabases AT khrypkosl anadaptiveconsistencyandparallelismmodelindistributeddatabases AT lipatovdyu adaptivnamodelʹuzgodženostítaparalelʹnoíobrobkivrozpodílenihbazahdanih AT khrypkosl adaptivnamodelʹuzgodženostítaparalelʹnoíobrobkivrozpodílenihbazahdanih AT lipatovdyu adaptiveconsistencyandparallelismmodelindistributeddatabases AT khrypkosl adaptiveconsistencyandparallelismmodelindistributeddatabases |