ডিস্ট্রিবিউটেড কম্পিউটিংয়ের জন্য লোড-ব্যালেন্সিং এবং রিসোর্স বরাদ্দে একটি মাল্টি-এজেন্ট সিস্টেম পদ্ধতি

সূচিপত্র

১. সারসংক্ষেপ

এই গবেষণাটি ব্যাপকভাবে বিতরণিত গ্রিডে কাজ বরাদ্দ এবং সময়সূচীকরণের জন্য একটি বিকেন্দ্রীকৃত পদ্ধতি উপস্থাপন করে। প্রস্তাবিত অ্যালগরিদম, ডিস্ট্রিবিউটেড রিসোর্স অ্যালোকেশন প্রোটোকল (dRAP), বহু-এজেন্ট সিস্টেমের উদীয়মান বৈশিষ্ট্যগুলিকে কাজে লাগিয়ে একটি গ্লোবাল টাস্ক কিউর পরিবর্তনশীল চাহিদার ভিত্তিতে গতিশীলভাবে কম্পিউটার ক্লাস্টার গঠন ও ভেঙে দেয়। পরীক্ষামূলক সিমুলেশনগুলি দেখায় যে dRAP মূল মেট্রিক্সে একটি আদর্শ ফার্স্ট-ইন-ফার্স্ট-আউট (FIFO) সময়সূচীকরণকারীর চেয়ে শ্রেষ্ঠতর: কিউ খালি করার সময়, গড় কাজের অপেক্ষার সময় এবং সামগ্রিক CPU ব্যবহার। এই বিকেন্দ্রীকৃত প্যারাডাইম SETI@home এবং Google MapReduce-এর মতো বৃহৎ-পরিসরের বিতরণিত প্রক্রিয়াকরণ পরিবেশের জন্য উল্লেখযোগ্য প্রতিশ্রুতি দেখায়।

২. ভূমিকা

বৃহৎ গণনামূলক কাজভারকে ভৌগোলিকভাবে বিতরণকৃত, সাশ্রয়ী মূল্যের বাণিজ্যিক অফ-দ্য-শেলফ (COTS) কম্পিউটারের নেটওয়ার্কে স্থানান্তরের প্রবণতা উচ্চ-কার্যকারিতা কম্পিউটিং-এর প্রবেশাধিকারকে গণতান্ত্রিক করেছে। SETI@home এবং Google MapReduce-এর মতো সিস্টেমগুলি এই পরিবর্তনের উদাহরণ, যা দক্ষ, মাপযোগ্য এবং শক্তিশালী টাস্ক বরাদ্দ অ্যালগরিদমের জন্য একটি গুরুত্বপূর্ণ প্রয়োজনীয়তা তৈরি করে। কেন্দ্রীভূত ডিসপ্যাচারগুলি ব্যর্থতার একক বিন্দু এবং মাপযোগ্যতার বাধা উপস্থাপন করে। এই গবেষণাপত্রটি মাল্টি-এজেন্ট সিস্টেম (MAS) ব্যবহার করে একটি বিকেন্দ্রীকৃত বিকল্প অন্বেষণ করে, যা সাধারণ স্থানীয় মিথস্ক্রিয়া থেকে জটিল বৈশ্বিক আচরণ তৈরি করে, যা পূর্বে জৈবিক সিস্টেম মডেলিং এবং প্রকৌশল সমস্যা সমাধানে সফল হয়েছে। গবেষণাপত্রটি সমস্যাটিকে আনুষ্ঠানিক রূপ দিতে, বিকেন্দ্রীকৃত কম্পিউটিং এবং MAS পর্যালোচনা করতে, সিমুলেটর এবং dRAP অ্যালগরিদম বর্ণনা করতে, পরীক্ষামূলক ফলাফল উপস্থাপন করতে, সম্পর্কিত কাজ নিয়ে আলোচনা করতে এবং উপসংহারে পৌঁছানোর জন্য গঠন করা হয়েছে।

3. সমস্যা এবং অনুমানের বিবৃতি

মূল সমস্যাটি একটি বৈশ্বিক কিউ থেকে প্রক্রিয়া বরাদ্দ করার সাথে জড়িত Q একটি গতিশীল, ভৌগোলিকভাবে বিতরণকৃত প্রসেসর সেটে। প্রতিটি প্রক্রিয়া তার সমান্তরালীকরণ ক্ষমতা (থ্রেডের সংখ্যা, TH_n) এবং সম্পদ প্রয়োজনীয়তা (যেমন, CPU, CPU_req). সিস্টেমটির কোনো কেন্দ্রীভূত ডিসপ্যাচার নেই। পরিবর্তে, এটি গতিশীলভাবে কম্পিউটারগুলিকে "ক্লাস্টার"-এ সংগঠিত করে—যেসব নেটওয়ার্ক সম্মিলিতভাবে একটি একক প্রক্রিয়ার প্রয়োজনীয়তা পূরণ করে। লেটেন্সি কমানোর জন্য ভৌগলিক সান্নিধ্য বিবেচনায় রেখে ক্লাস্টার গঠন করা হয়। মূল অনুমানগুলির মধ্যে রয়েছে: কম্পিউটারগুলির মধ্যে যোগাযোগ সম্ভব, ভৌগলিক সান্নিধ্য লেটেন্সি/ব্যান্ডউইথ খরচ হ্রাস করে, প্রক্রিয়াগুলি পূর্বাহ্নে প্রয়োজনীয়তা ঘোষণা করে এবং এই পদ্ধতিটি স্কেলের জন্য ডিজাইন করা হয়েছে (লক্ষ/কোটি নোড)।

4. বিকেন্দ্রীকৃত কম্পিউটিং সংক্ষিপ্ত বিবরণ

বিকেন্দ্রীকৃত কম্পিউটিং কেন্দ্রীয় নিয়ন্ত্রণ বিন্দু দূর করে, সিদ্ধান্ত গ্রহণকে সিস্টেম উপাদানগুলির মধ্যে বিতরণ করে। এটি স্কেলযোগ্যতা (কোনো বাধা নেই), দৃঢ়তা (একক ব্যর্থতার বিন্দু নেই) এবং অভিযোজনযোগ্যতা বৃদ্ধি করে। সিস্টেমের এজেন্টগুলি স্থানীয় তথ্য এবং নিয়মের ভিত্তিতে কাজ করে, যা গণনাগ্রিডের মতো গতিশীল পরিবেশের জন্য উপযুক্ত উদ্ভূত, স্ব-সংগঠিত বৈশ্বিক আচরণের দিকে পরিচালিত করে।

5. মাল্টি-এজেন্ট সিস্টেম

একটি মাল্টি-এজেন্ট সিস্টেম (MAS) হল স্বায়ত্তশাসিত এজেন্টগুলির একটি সংগ্রহ যা একটি পরিবেশের মধ্যে মিথস্ক্রিয়া করে। এজেন্টগুলি তাদের স্থানীয় অবস্থা উপলব্ধি করে, প্রতিবেশীদের সাথে যোগাযোগ করে এবং অভ্যন্তরীণ নিয়ম বা নীতির ভিত্তিতে কাজ করে। সিস্টেমের "বুদ্ধিমত্তা" এই মিথস্ক্রিয়াগুলি থেকে উদ্ভূত হয়। MAS বিতরণকৃত সম্পদ বরাদ্দের জন্য খুবই উপযুক্ত কারণ এজেন্টগুলি (কম্পিউটার) স্বায়ত্তশাসিতভাবে আলোচনা করতে, জোট গঠন করতে (ক্লাস্টার) এবং উপর থেকে নিচের সমন্বয় ছাড়াই পরিবর্তনশীল লোডের সাথে খাপ খাইয়ে নিতে পারে।

6. সিমুলেশন পরিবেশ

একটি কাস্টম সিমুলেটর তৈরি করা হয়েছিল যা বিভিন্ন ধরনের কম্পিউটারের একটি বিতরণিত গ্রিড এবং পরিবর্তনশীল সম্পদ প্রয়োজনীয়তা সহ আগত কাজের একটি প্রবাহ মডেল করার জন্য। এই সিমুলেটর বিভিন্ন লোড এবং নেটওয়ার্ক টপোলজি শর্তের অধীনে dRAP এবং FIFO-এর মতো বেসলাইন অ্যালগরিদমগুলির মধ্যে নিয়ন্ত্রিত পরীক্ষা এবং তুলনা করার অনুমতি দেয়।

7. The dRAP Algorithm

The distributed Resource Allocation Protocol (dRAP) হল মূল অবদান। এটি এজেন্ট-নোডগুলির মধ্যে স্থানীয় মিথস্ক্রিয়ার মাধ্যমে কাজ করে। যখন একটি নোড নিষ্ক্রিয় বা কম ব্যবহারে থাকে, তখন এটি একটি উপযুক্ত টাস্কের জন্য গ্লোবাল টাস্ক কিউ অনুসন্ধান করে। একাধিক সম্পদ প্রয়োজন এমন একটি টাস্ক সেবা দিতে, নোডটি একটি "বীজ" হিসাবে কাজ করে এবং একটি অস্থায়ী ক্লাস্টার গঠনের জন্য প্রতিবেশী নোডগুলিকে নিয়োগ করে। নিয়োগ সান্নিধ্য এবং সম্পদের প্রাপ্যতার উপর ভিত্তি করে। টাস্কটি সম্পন্ন হলে, ক্লাস্টারটি বিচ্ছিন্ন হয়ে যায় এবং নোডগুলি পুলে ফিরে আসে, নতুন ক্লাস্টার গঠনের জন্য প্রস্তুত থাকে। এই গতিশীল, চাহিদাভিত্তিক ক্লাস্টারিংই অ্যালগরিদমের মূল প্রক্রিয়া।

8. গ্লোবাল কিউ অনুসন্ধান খরচ বিশ্লেষণ

বিকেন্দ্রীকৃত সিস্টেমে একটি সম্ভাব্য বাধা হল প্রতিটি এজেন্টের জন্য গ্লোবাল টাস্ক কিউ অনুসন্ধানের খরচ। কাগজটি এই খরচ বিশ্লেষণ করে, সম্ভবত অনুসন্ধানকে দক্ষ করার কৌশল নিয়ে আলোচনা করে, যেমন টাস্ক ইন্ডেক্সিং, কিউ পার্টিশনিং, বা সম্পূর্ণ স্ক্যান এড়াতে হিউরিস্টিক ম্যাচিং ব্যবহার, যা স্কেলেবিলিটি নিশ্চিত করে।

9. ইমিউন সিস্টেম দ্বারা অনুপ্রাণিত dRAP অপ্টিমাইজেশন

লেখকরা জৈবিক ইমিউন সিস্টেম থেকে অনুপ্রেরণা নিয়েছেন, যা বিকেন্দ্রীকৃত, অভিযোজিত কোষ ব্যবহার করে দক্ষতার সাথে রোগজীবাণু সনাক্ত করে এবং নিরপেক্ষ করে। অনুরূপ অপ্টিমাইজেশন কৌশলগুলির মধ্যে অন্তর্ভুক্ত হতে পারে: 1) Affinity-based matching: Agents preferentially match with tasks whose resource "signature" closely matches their own capabilities. 2) Clonal selection for cluster formationসফল ক্লাস্টারগুলি (যেগুলি দ্রুত কাজ সম্পন্ন করে) "মনে রাখা" হয় বা ভবিষ্যতে একই ধরনের কাজের জন্য তাদের গঠনের প্যাটার্ন শক্তিশালী করা হয়। 3) অভিযোজিত নিয়োগ ব্যাসার্ধক্লাস্টার সদস্যদের নিয়োগের ভৌগোলিক পরিসর সিস্টেম লোড এবং কাজের জরুরিতার ভিত্তিতে সামঞ্জস্য করে।

10. পরীক্ষা এবং ফলাফল

পরীক্ষাগুলো dRAP-এর সাথে একটি FIFO স্কেডুলারের তুলনা করেছে। মেট্রিক্স অন্তর্ভুক্ত ছিল: Time to Empty Queue (TEQ), Average Waiting Time (AWT), এবং গড় সিপিইউ ব্যবহার (ACU). ফলাফলে দেখা গেছে, dRAP-এর উচ্চ কার্যকারিতা, বিশেষ করে উচ্চ-পরিবর্তনশীল কাজের চাপের অধীনে, এর গতিশীল সম্পদ পুলিং এবং যোগাযোগের ওভারহেড কমানোর জন্য নৈকট্য-সচেতন ক্লাস্টারিং-এর কারণে।

১১. সম্পর্কিত কাজ

এই গবেষণাপত্রটি dRAP কে গ্রিড সম্পদ বরাদ্দের বিস্তৃত গবেষণার মধ্যে স্থাপন করে, যার মধ্যে স্বেচ্ছাসেবক কম্পিউটিং (যেমন, BOINC), চুক্তিভিত্তিক প্রোটোকল (যেমন, SLAs ব্যবহার করে), এবং অর্থনৈতিক/বাজার-ভিত্তিক পদ্ধতি (যেমন, যেখানে কম্পিউটিং সম্পদ কেনা-বেচা করা হয়) অন্তর্ভুক্ত। এটি dRAP এর জৈবিকভাবে অনুপ্রাণিত, উদীয়মান সমন্বয়কে এই আরও কাঠামোগত বা প্রণোদনা-চালিত দৃষ্টান্তগুলির বিপরীতে স্থাপন করে।

১২. উপসংহার ও ভবিষ্যৎ কাজ

dRAP অ্যালগরিদম ব্যাপকভাবে বিতরণকৃত কম্পিউটিং-এ লোড-ভারসাম্যর জন্য একটি কার্যকর, বিকেন্দ্রীকৃত বিকল্প উপস্থাপন করে। এটির মাল্টি-এজেন্ট নীতি এবং গতিশীল ক্লাস্টারিং-এর ব্যবহার স্কেলযোগ্যতা, দৃঢ়তা এবং অভিযোজনযোগ্যতা প্রদান করে। ভবিষ্যৎ কাজে বাস্তব-বিশ্বের বিতরণকৃত সিস্টেমে পরীক্ষা, এজেন্টগুলির মধ্যে আরও পরিশীলিত অর্থনৈতিক বা বিশ্বাস মডেল অন্তর্ভুক্ত করা এবং পদ্ধতিটিকে ডেটা-নিবিড় কাজ (CPU-কেন্দ্রিক লোডের বাইরে) পরিচালনার জন্য প্রসারিত করা জড়িত থাকতে পারে।

13. Original Analysis & Expert Critique

14. Technical Details & Mathematical Formulation

একটি এজেন্টের মূল সিদ্ধান্ত গ্রহণের প্রক্রিয়া i একটি কাজ নির্বাচন করতে T_j সারি থেকে Q একটি খরচ ফাংশন হ্রাসকারী একটি অপ্টিমাইজেশন সমস্যা হিসাবে মডেল করা যেতে পারে C(i, j):

$C(i, j) = \alpha \cdot \frac{CPU\_req_j}{CPU\_avail_i} + \beta \cdot Latency(i, N(T_j)) + \gamma \cdot WaitTime(T_j)$

যেখানে:
- $CPU\_req_j / CPU\_avail_i$ হল স্বাভাবিকীকৃত সম্পদ চাহিদা।
- $Latency(i, N(T_j))$ টাস্কের জন্য সম্ভাব্য ক্লাস্টার নোডে যোগাযোগ ব্যয় অনুমান করে। T_j.
- $WaitTime(T_j)$ হল সেই সময় T_j কিউতে অপেক্ষা করেছে (পুরোনো টাস্কগুলিকে অগ্রাধিকার দিয়ে)।
- $\alpha, \beta, \gamma$ হল সিস্টেমের জন্য টিউনকৃত ওজন পরামিতি।

ক্লাস্টার গঠন একটি বিতরণকৃত চুক্তি প্রোটোকল। সিডিং এজেন্ট i একটি নিয়োগ অনুরোধ সম্প্রচার করে Req(T_j, R) একটি ব্যাসার্ধের মধ্যে R. একটি এজেন্ট k গ্রহণ করে যদি তার উপলব্ধ সম্পদ প্রয়োজনীয়তার সাথে মেলে এবং এটি সামগ্রিক ক্লাস্টার লেটেন্সি হ্রাস করে। ক্লাস্টার গঠিত হয়েছে বলে বিবেচিত হয় যখন: $\sum_{k \in Cluster} CPU\_avail_k \geq CPU\_req_j$।

15. Experimental Results & Chart Description

Hypothetical Chart Description (Based on Paper Claims):
"Performance Comparison: dRAP vs. FIFO Scheduler" শিরোনামযুক্ত একটি বার চার্ট মূল মেট্রিক্সের জন্য তিন জোড়া বার দেখাবে।

• Metric 1: Time to Empty Queue (TEQ): dRAP বারটি FIFO বারের তুলনায় উল্লেখযোগ্যভাবে ছোট হবে (যেমন, ৪০% কম), যা দ্রুত সামগ্রিক প্রক্রিয়াকরণ থ্রুপুট নির্দেশ করে।
• মেট্রিক ২: গড় অপেক্ষার সময় (AWT): dRAP বারটি নিচু হবে, যা দেখাবে যে কাজগুলো শুরু হওয়ার আগে গড়ে কম সময় অপেক্ষা করে।
• মেট্রিক ৩: গড় সিপিইউ ব্যবহার (ACU)dRAP বারটি উচ্চতর হবে (যেমন, ৮৫% বনাম ৬০%), যা গতিশীল ক্লাস্টারিংয়ের মাধ্যমে নিষ্ক্রিয় সময় হ্রাস করে বিতরণকৃত সম্পদের পুলের আরও দক্ষ ব্যবহার প্রদর্শন করে।

চার্টটিতে সম্ভবত ত্রুটি বার অন্তর্ভুক্ত থাকবে বা বিভিন্ন লোড স্তরে (নিম্ন, মধ্যম, উচ্চ) উপস্থাপিত হবে, যাতে দেখানো যায় যে dRAP-এর সুবিধা বজায় থাকে বা এমনকি সিস্টেম লোড এবং টাস্কের বৈচিত্র্য বৃদ্ধির সাথে আরও বাড়ে।

16. বিশ্লেষণ কাঠামো: ধারণাগত কেস স্টাডি

Scenario: একটি বৈশ্বিক জলবায়ু মডেলিং কনসোর্টিয়াম এনসেম্বল সিমুলেশন চালায় যার প্রতিটির জন্য ১০,০০০ সিপিইউ-ঘণ্টা প্রয়োজন। সম্পদ হল বিশ্বব্যাপী ৫০,০০০ বৈচিত্র্যময় হোম পিসি এবং বিশ্ববিদ্যালয় ল্যাব মেশিনের একটি স্বেচ্ছাসেবী গ্রিড।

FIFO Baseline Failure: একটি কেন্দ্রীয় সার্ভার ক্রমানুসারে কাজ বরাদ্দ করে। একটি সিমুলেশনের জন্য ১০০টি সিপিইউ প্রয়োজন হলে, তালিকার পরবর্তী ১০০টি নিষ্ক্রিয় মেশিনে এটি বরাদ্দ করা হয়, যা ৬টি মহাদেশে ছড়িয়ে থাকতে পারে। সিঙ্ক্রোনাইজেশনের জন্য নেটওয়ার্ক লেটেন্সি সিমুলেশনকে অত্যন্ত ধীর করে দেয়, অপেক্ষায় সিপিইউ চক্র নষ্ট হয়। কেন্দ্রীয় সার্ভারও একটি বাধা এবং একক ব্যর্থতার বিন্দু হয়ে ওঠে।

dRAP কর্মে:
1. একটি কাজ T (100 CPUs, 50 GB memory) সারিতে প্রবেশ করে।
ইউরোপে একটি নিষ্ক্রিয় মেশিন (Agent_EU) উচ্চ ব্যান্ডউইথ নিয়ে একে বীজ হিসেবে গ্রহণ করে।
3. Agent_EU খরচ ফাংশন ব্যবহার করে C একই আঞ্চলিক ক্লাউড প্রদানকারী এবং একাডেমিক নেটওয়ার্কের মধ্যে রিক্রুটিং মেশিনগুলিকে অগ্রাধিকার দিতে।
স্থানীয় ব্রডকাস্টের মাধ্যমে, এটি দ্রুত পশ্চিম ইউরোপে অবস্থিত ১০০টি মেশিনের একটি ক্লাস্টার গঠন করে।
কম-লেটেন্সি ক্লাস্টারটি দক্ষতার সাথে কার্যকর করে। T এদিকে, এশিয়ায় একটি সিড এজেন্ট ভিন্ন একটি কাজের জন্য আরেকটি ক্লাস্টার গঠন করে।
6. সমাপ্তির পর, ইউরোপীয় ক্লাস্টার বিলুপ্ত হয়, এবং এর এজেন্টরা অবিলম্বে নতুন বীজের জন্য সারি স্ক্যান করা শুরু করে, একটি প্রবাহী, স্ব-নিরাময় সম্পদ কাঠামো তৈরি করে।

এই কেসটি লেটেন্সি হ্রাস এবং অভিযোজিত, স্থানীয়কৃত সম্পদ পুল তৈরি করতে dRAP-এর শক্তিগুলোকে তুলে ধরে।

17. Application Outlook & Future Directions

তাৎক্ষণিক প্রয়োগ:
- Volunteer Computing 2.0: বুদ্ধিমান, লেটেন্সি-সচেতন ওয়ার্ক ইউনিট বণ্টনের মাধ্যমে BOINC বা Folding@home-এর মতো প্ল্যাটফর্মগুলিকে উন্নত করা।
- এজ কম্পিউটিং অর্কেস্ট্রেশন: হাজার হাজার এজ নোড (যেমন, 5G বেস স্টেশন, IoT গেটওয়ে) জুড়ে কাজ পরিচালনা করা, যেখানে বিলম্ব এবং অবস্থান সর্বাধিক গুরুত্বপূর্ণ।
- ফেডারেটেড লার্নিং: বিতরণকৃত ডিভাইসগুলিতে প্রশিক্ষণ রাউন্ড সমন্বয় করা যেখানে যোগাযোগের ওভারহেড কমানো হয় এবং নেটওয়ার্ক সীমানা মেনে চলা হয়।

ভবিষ্যত গবেষণার দিকনির্দেশ:
1. Integration with Economic Models: উন্মুক্ত, অবিশ্বস্ত গ্রিডে সম্পদ সুরক্ষিত করতে অণু-পেমেন্ট বা খ্যাতি ব্যবস্থার সাথে উদীয়মান ক্লাস্টারিং সংযুক্ত করা।
2. ডেটা-নিবিড় ওয়ার্কলোড পরিচালনা: খরচ ফাংশন প্রসারিত করা C ডেটা স্থানান্তর খরচ অন্তর্ভুক্ত করতে, এজেন্টদের ডেটা লোকালিটি সম্পর্কে সচেতন করা (Hadoop-এর র্যাক সচেতনতার অনুরূপ)।
3. Hierarchical & Hybrid Architectures: আন্তঃ-অঞ্চল শিডিউলিংয়ের জন্য dRAP ব্যবহার করা, যখন একটি হালকা মেটা-শিডিউলার গ্লোবাল কিউ পার্টিশনিং পরিচালনা করে, সর্বনিম্ন কেন্দ্রীয় নির্দেশনার সাথে উদ্ভবকে মিশ্রিত করে।
4. Formal Verification & Safety: MAS-এ একটি মূল চ্যালেঞ্জ হিসেবে, উদ্ভূত আচরণ কখনোই সম্পদ ডেডলক বা স্টারভেশনের মতো রোগাক্রান্ত অবস্থার দিকে না নিয়ে যায় তা নিশ্চিত করার পদ্ধতি উন্নয়ন।

18. তথ্যসূত্র

1. Anderson, D.P., et al. (2002). SETI@home: An Experiment in Public-Resource Computing. Communications of the ACM.
2. Dean, J., & Ghemawat, S. (2008). MapReduce: Simplified Data Processing on Large Clusters. Communications of the ACM.
3. Bonabeau, E., Dorigo, M., & Theraulaz, G. (1999). Swarm Intelligence: From Natural to Artificial Systems. Oxford University Press.
4. Foster, I., & Kesselman, C. (2004). The Grid 2: Blueprint for a New Computing Infrastructure. Morgan Kaufmann.
5. Ousterhout, K., et al. (2013). Sparrow: Distributed, Low Latency Scheduling. Proceedings of SOSP.
6. Zhu, J., et al. (2017). Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks (CycleGAN). ICCV-এর কার্যবিবরণী. (উদ্ভাবনী, অ-রৈখিক অ্যালগরিদমিক কাঠামোর উদাহরণ হিসেবে উদ্ধৃত)।
7. ভাসিলেস্কু, আই., এট আল. (২০২২). বিকেন্দ্রীকৃত এজ ক্লাউডে অভিযোজিত সম্পদ ব্যবস্থাপনা: একটি জৈব-অনুপ্রাণিত পদ্ধতি। আইইইই ট্রানজেকশনস অন ক্লাউড কম্পিউটিং.
8. এমআইটি সোয়ার্মল্যাব। (তারিখহীন). সোয়ার্ম ইন্টেলিজেন্স এবং রোবোটিক্স গবেষণা। [এমআইটি সিএসএআইএল ওয়েবসাইট] থেকে সংগৃহীত।
9. Protocol Labs. (2020). Filecoin: A Decentralized Storage Network. [Whitepaper].