Стремительный рост объемов данных обуславливает необходимость разработки эффективных алгоритмов и технологий для их обработки в распределенных системах. Целью исследования является усовершенствование существующих алгоритмов обработки и распределения данных, учитывая текущую нагрузку на систему и общую загруженность. Анализ существующих методов обработки больших данных, таких как MapReduce, сегментирование и консистентное хеширование, подчеркивают важность развития адаптивных систем для обработки больших данных. Предложенная формула, включающая динамический коэффициент, позволяет значительно повысить производительность, масштабируемость и отказоустойчивость распределенных систем. Результаты моделирования демонстрируют, что предложенный подход позволяет достичь более эффективного использования ресурсов и предотвращает перегрузку отдельных узлов по сравнению с традиционными методами. На основе проведенного сравнительного анализа обоснована практическая применимость разработанной методики в широком спектре распределенных систем. Заключение подчеркивает стратегическую значимость развития адаптивных систем для обработки больших данных и интеграции современных технологий, таких как искусственный интеллект и машинное обучение. Предложенные усовершенствования открывают перспективы для дальнейших исследований и разработки более мощных и гибких распределенных систем, способных эффективно справляться с возрастающими требованиям современной цифровой среды.

Rapid growth in data volumes necessitates the development of efficient algorithms and technologies for processing them in distributed systems. The aim of the research is to improve existing data processing and distribution algorithms by taking into account the current system load and overall congestion. The analysis of existing big data processing methods, such as MapReduce, Sharding, and Consistent Hashing, underlines the importance of developing adaptive systems for big data processing. The proposed formula, incorporating a dynamic coefficient, significantly enhances the performance, scalability, and fault tolerance of distributed systems. Modeling results demonstrate that the proposed approach achieves more efficient resource utilization and prevents the overloading of individual nodes compared to traditional methods. Based on a comparative analysis, the practical applicability of the developed methodology in a wide range of distributed systems is substantiated. The conclusion emphasizes the strategic significance of developing adaptive systems for big data processing and integrating modern technologies, such as artificial intelligence and machine learning. The proposed improvements open up prospects for further research and the development of more powerful and flexible distributed systems capable of effectively coping with the growing demands of the modern digital environment.