الگوریتم زمان بندی کار بر اساس بهینه سازی اجتماع ذرات برای محاسبات ابری
چکیده
محاسبات ابری یک محیط محاسباتی در حال ظهور کارآمد با مجموعه ای مقیاس بالا و ناهمگون از سیستم های مستقل و معماری محاسباتی انعطاف پذیر است. کارایی سیستم زمان بندی بر سود مربوط به هزینه ی نمونه ی محاسباتی تاثیر می گذارد. برای کاهش مصرف انرژی و بهبود سود، یک مدل زمان بندی کار بر اساس الگوریتم بهینه سازی اجتماع ذرات برای محاسبات ابری بنا نهاده شده است. بر اساس بستر شبیه سازی محاسباتی متن باز محاسبات ابری CloudSim، نتایج نشان می دهند که الگوریتم پیشنهادی می تواند در مقایسه با GA و الگوریتم های زمان بندی تصادفی، در مورد هزینه ی انرژی و سود به جواب بهتری دست پیدا کند.
کلمات کلیدی: محاسبات ابری | تخصیص منابع | زمان بندی وظایف | بهینه سازی اجتماع ذرات | بهینه سازی چندهدفه
مقدمه
محاسبات ابری، رویای طولانی «محاسبه به عنوان یک ابزار» و «محاسبه در زمان تقاضا»، یک مجموعه ی مقیاس بالای ناهمگون از سیستم های مستقل با معماری محاسباتی انعطاف پذیر و قوی برای ارائه ی خدمات فراگیر به کاربران از طریق اینترنت است که در آن انباری از منابع محاسباتی (مثلاً شبکه ها، واحدهای محاسباتی، انباره ها، اپلیکیشن ها، داده ها) ناهمگون، مجازی شده، قابل مقیاس گذاری به صورت پویا، با دسترس پذیری بالا، قابل پیکربندی و پیکربندی مجدد را می توان با کم ترین تلاش مدیریتی در مراکز داده به سرعت تهیه کرده و آزاد کرد [۱] [۲].
یک سیستم زمان بندی به صورت کارامد منابع را به وظایف لازم تخصیص می دهد و تعادل بار منبع، امنیت، قابلیت اطمینان و تحمل پذیری خطا را بهبود می بخشد. زمان بندی کار یک موضوع اساسی در حصول کارایی بالا در ریانش ابری است، با این حال، با در نظر گرفتن این که تعداد زیادی از وظایف در منابعی اجرا می شوند که از لحاظ جغرافیایی گسترده شده اند، زمان بندی کار یک مساله ی چالش برانگیز برای طراحی و پیاده سازی الگوریتم زمان بندی موثر در محیط محاسبات ابری است. زمان بند یک درخواست محاسبه ی شبکه ی مجازی را به وسیله ی توافق سطح خدمات[۱] می گیرد و سعی می کند آن را به منابع محاسباتی موجود نگاشت نماید.
بهینه سازی اجتماع ذرات[۲] که یک روش بهینه سازی اکتشافی مبتنی بر جمعیت در حال ظهور است که در اصل در سال ۱۹۹۵ توسط Kennedy و Eberhart معرفی شد[۳] ، به صورت گسترده برای حل انواع مختلفی از مسائل NP-complete مانند زمان بندی [۴] و تخصیص وظیفه [۵] به کار می رود و اخیراً کانون توجه جدید پژوهش گردیده است. بسیاری از الگوریتم های مبتنی بر PSO برای کمینه کردن هزینه ی اپلیکیشن جریان کاری اجرایی در محاسبات ابری پیشنهاد گردیده اند [۶].
در این مقاله ما مدلی برای نگاشت کار-منبع فرموله می کنیم تا هزینه ی اجرایی کلی درخواست های خدمات و سود حاصل فراهم کنندگان سرویس را در محیط محاسبات ابری کمینه کنیم و یک الگوریتم زمان بندی اکتشافی معرفی می نماییم که از PSO برای حل نگاشت های کار-منبع بر اساس مدل پیشنهادی استفاده
می کند. نتایج شبیه سازی و مقایسه ی الگوریتم زمان بندی PSO پیشنهادی با روش های دیگر مانند GA و روش تصادفی طوری انجام شده است که اثربخشی و بهره وری روش بررسی شود.
[۱]– Service Level Agreement (SLA)
[۲]– Particle Swarm Optimization(PSO)
Job Scheduling Algorithm for Cloud Computing Based on Particle Swarm Optimization
Abstract
لطفاً براي ارسال دیدگاه، ابتدا وارد حساب كاربري خود بشويد