Рост числа пользователей, увеличение объемов данных и активное распространение технологий искусственного интеллекта существенно повышают требования к производительности, масштабируемости и устойчивости высоконагруженных информационных систем. В этих условиях монолитные архитектуры и централизованное хранение данных все чаще приводят к снижению производительности, увеличению времени отклика и уменьшению устойчивости системы при резком росте нагрузки. Цель исследования – разработать архитектуру высоконагруженной информационной системы, обеспечивающую устойчивую работу системы, масштабируемость при увеличении числа подключений и высокую производительность при интенсивной обработке данных. Материал и методы исследования включали анализ научных публикаций, посвященных современным подходам к проектированию высоконагруженных систем, разработку архитектурного решения и его проверку с помощью нагрузочного тестирования. Предложенная архитектура основана на микросервисной организации, использовании систем хранения данных в оперативной памяти, управлении соединениями с базами данных, асинхронной обработке сообщений, контейнерной оркестрации и применении специализированных вычислительных ресурсов для задач искусственного интеллекта. Результаты исследования показали, что предложенное решение обеспечивает более равномерное распределение вычислительной нагрузки, снижает потребление оперативной памяти и повышает производительность и устойчивость системы при высоких нагрузках. Предложенный архитектурный подход повышает производительность, масштабируемость и устойчивость высоконагруженных информационных систем.
The growing number of users, increasing data volumes, and the rapid spread of artificial intelligence technologies significantly raise the requirements for the performance, scalability, and resilience of high-load information systems. Under these conditions, monolithic architectures and centralized data storage increasingly lead to reduced performance, longer response times, and lower system resilience during sudden load spikes. The purpose of the study is to develop an architecture for a high-load information system that ensures resilient system operation, scalability under an increasing number of connections, and high performance during intensive data processing. The materials and methods of the study included an analysis of scientific publications devoted to modern approaches to the design of high-load systems, the development of an architectural solution, and its verification through load testing. The proposed architecture is based on a microservice approach, the use of in-memory data storage systems, database connection management, asynchronous message processing, container orchestration, and the use of specialized computing resources for artificial intelligence tasks. The results of the study showed that the proposed solution provides a more even distribution of computational load, reduces memory consumption, and improves system performance and resilience under high loads. In conclusion, the proposed architectural approach enhances the performance, scalability, and resilience of high-load information systems.
1. Черняк Л. Е. Цифровизация экономики России: сущность, проблемы и перспективы // Теоретическая экономика. 2025. № 5. С. 76–91. DOI: 10.52957/2221-3260-2025-5-76-91.
2. Ali S., Wang J., Leung V. C. M. AI-driven Fusion with Cybersecurity: Exploring Current Trends, Advanced Techniques, Future Directions, and Policy Implications for Evolving Paradigms – A Comprehensive Review // Information Fusion. 2025. Vol. 118. DOI: 10.1016/j.inffus.2024.102922.
3. Kesavalalji R. Scalable and Fault-Tolerant Microservices Architecture: Leveraging AI-Driven Orchestration in Distributed Cloud Systems // International Journal of Science and Research Archive. 2024. Vol. 13. Is. 1. P. 3501–3511. DOI: 10.30574/ijsra.2024.13.1.1566.
4. Emmanuel Cadet, Olajide Soji Osundare,Harrison Oke Ekpobimi, Zein Samira,Yodit Wondaferew Weldegeorgise Autonomous Vehicle Diagnostics and Support: A Framework for API-Driven Microservices // Open Access Research Journal of Engineering and Technology. 2024. Vol. 7. P. 070–100. DOI: 10.53022/oarjet.2024.7.2.0058.
5. Цветкова Л. А. Технологии искусственного интеллекта как фактор цифровизации экономики России и мира // Экономика науки. 2017. Т. 3. № 2. С. 126–144. DOI: 10.22394/2410-132X-2017-3-2-126-144.
6. Kansal S., Balasubramaniam V. S. Microservices Architecture in Large-Scale Distributed Systems: Performance and Efficiency Gains. 2024. DOI: 10.13140/RG.2.2.36596.67202.
7. Domakonda D. Secure and Scalable Microservices Architecture: Principles, Benefits, and Challenges // International Journal of Scientific Research in Computer Science Engineering and Information Technology. 2025. Vol. 11. Is. 2. P. 1897–1902. DOI: 10.32628/CSEIT23112569.
8. Le Q. H., Xie J., Millington D., Waniss A. Comparative Performance Analysis of PostgreSQL High Availability Database Clusters through Containment // International Journal of Advanced Research in Computer and Communication Engineering. 2015. Vol. 4. P. 526–533. DOI: 10.17148/IJARCCE.2015.412150.
9. Qiao S. J., Fan H. L., Han N., Qin X., et al. Learning Database Optimization Techniques: The State-of-the-Art and Prospects // Frontiers of Computer Science. 2025. Vol. 19. Is. 12. DOI: 10.1007/s11704-025-41116-7.
10. Гридин В. Н., Анисимов В. И., Васильев С. А. Методы повышения производительности современных веб-приложений // Известия ЮФУ. Технические науки. 2020. № 2 (212). С. 193–200. DOI: 10.18522/2311-3103-2020-2-193-200.
11. Кокоулин Е. М., Бобриков Д. А., Мартыненко В. В., Покровская О. Д., Королева Е. А., Использование прикладного инструментария Redis в Big Data // Транспортное дело России. 2024. № 2. С. 39–43. DOI: 10.52375/20728689-2024-2-39.
12. Скрыпников А. В., Денисенко В. В., Амирханян А. О. Применение асинхронного обмена информацией в веб-приложениях // Международный журнал гуманитарных и естественных наук. 2021. № 12–3 (63). С. 105–108. DOI: 10.24412/2500-1000-2021-12-3-105-108.
13. Rias M., Umam A. M., Asmani A., Ijtihadie R. M. A Comparative Study Evaluation of Kafka and RabbitMQ: Performance, Scalability and Stress Test in Distributed Messaging Systems // JUTI: Jurnal Ilmiah Teknologi Informasi. 2026. Vol. 24. Is. 1. DOI: 10.12962/j24068535.v24i1.a1345.
14. Marella V. Comparative Analysis of Container Orchestration Platforms: Kubernetes vs. Docker Swarm // International Journal of Scientific Research in Science and Technology. 2024. Vol. 11. P. 526–543. DOI: 10.32628/IJSRST24105254.
15. Muzumdar P., Bhosale A., Basyal G. P., Kurian G. Navigating the Docker Ecosystem: A Comprehensive Taxonomy and Survey // Asian Journal of Research in Computer Science. 2024. Vol. 17. № 1. P. 42–61. DOI: 10.9734/AJRCOS/2024/v17i1411.
16. Жижченко М. А., Михайлов Г. М., Сальников А. Н., Чернецов А. М. Системы оркестрации как средства управления контейнерами // Научный сервис в сети Интернет. 2022. Т. 24. С. 183–189. DOI: 10.20948/abrau-2022-34.
17. Никишин К. И. Балансировка нагрузки данных в распределенной сети через прокси-сервер Nginx // Известия Юго-Западного государственного университета. 2022. Т. 26. № 3. С. 98–111. DOI: 10.21869/2223-1560-2022-26-3-98-111.
18. Gupta R. Optimizing Database Performance through Efficient Connection Management // World Journal of Advanced Research and Reviews. 2025. Vol. 26. Is. 1. P. 821–828. DOI: 10.30574/wjarr.2025.26.1.1111.
19. Poenaru A., Lin W.-C., McIntosh-Smith S. A Performance Analysis of Modern Parallel Programming Models Using a Compute-Bound Application // Lecture Notes in Computer Science. In: High Performance Computing. 2021. DOI: 10.1007/978-3-030-78713-4_18.
20. Hossain N., Dipto S., Chakraborty S., Saad S., Tasneem Z., Kowsar A., Islam F. On Handling AI Tasks in CPU with Low Latency and High Performance // Lecture Notes in Computer Science. 2024. DOI: 10.1007/978-3-031-84356-3_9.
21. Lone T. A., Kumar D., Bhat M. Exploring the Efficiency of Hybrid Recommender Systems Implemented with TensorFlow Framework // International Journal of Advanced Research in Science, Communication and Technology. 2024. P. 528–533. DOI: 10.48175/IJARSCT-19979.
22. Lenka R. K., Mamgain S., Kumar S., Barik R. K. Performance Analysis of Automated Testing Tools: JMeter and TestComplete // Proceedings of the International Conference on Advances in Computing, Communication Control and Networking. 2018. P. 399–407. DOI: 10.1109/ICACCCN.2018.8748521.