دانلود رایگان ترجمه مقاله الگوریتم کلونی زنبور عسل پیشرفته برای توزیع و برنامه ریزی کارآمد بار در ابر – اسپرینگر 2015

الگوریتم کلونی پیشرفته زنبور عسل برای حفظ تعادل کارآمد بار و برنامه ریزی در ابر

Enhanced Bee Colony Algorithm for Efficient Load Balancing and Scheduling in Cloud

چکیده :
رایانش ابری یک الگوی مفید می باشد که منابعی را برای مشتریان به درخواست خود آن ها با حداقل هزینه فراهم می کند. هزینه موثر برنامه ریزی و متعادل کردن بار چالش های عمده ای در اتخاذ محاسبات ابری می باشند. از روش های توازن بار کارامد تحت شرایط بارگذاری سنگین در دیتا سنترها اجتناب می شود . هنگامی که برخی از ماشین های مجازی با تعدادی چند از وظایف بیش از حد در ارتباط باشند، این وظایف برای ماشین های مجازی تحت بارگذاری مرکز داده های مشابه در جهت حفظ کیفیت سرویس (QoS) است. این مقاله یک اصلاح در الگوریتم کلونی زنبور عسل برای تعادل بار کارآمد و موثر در محیط ابری پیشنهاد می کند. رفتار جستجوگری زنبور عسل برای تعادل بار در تمام ماشین های مجازی استفاده می شود. وظایف بارگذاری ماشین های مجازی به عنوان زنبور عسل و تحت بارگذاری ماشین های مجازی منابع غذایی درمان می شوند. همچنین این روش برای به حداقل رساندن طول و همچنین تعداد انتقال ماشین های مجازی تلاش می کند. نتایج تجربی نشان می دهد که بهبود قابل توجهی در کیفیت سرویس ارائه شده به مشتریان وجود دارد.

1. مقدمه
تکنولوژی در حال ظهور رایانش ابری به طور کامل به اینترنت تکیه می کند، که در آن تمام داده ها و برنامه های کاربردی بر روی دیتاسنترها قرار دارند، که متشکل از هزاران کامپیوتر با شیوه های پیچیده و به هم پیوسته میزبانی می کنند . ارائه دهندگان ابر با استفاده از مدل پرداخت به بهره برداری از منابع می پردازند. بر روی اینترنت، مشتریان می توانند با پرداخت پول تنها برای مدت زمانی از انرژی، منابع نرم افزاری، فضای ذخیره سازی، و غیره استفاده کنند.
علاوه بر اینترنت ، مشتریان ، دیتاسنترها ، و سرور توزیع اصلی سه بخش از یک سیستم سازگار با اکوسیستم ابر هستند . مرکز داده مجموعه ای از سرورهای میزبان برنامه های کاربردی متفاوت و همچنین با امکان ذخیره سازی است . به منظور اشتراک برای برنامه های مختلف، کاربر نهایی نیاز به اتصال به مرکز داده دارد. معمولا یک مرکز داده دور از کاربران نهایی قرار دارد . سرور توزیع بخش هایی از یک محیط ابری که در حال حاضر در سراسر اینترنت میزبان برنامه های کاربردی مختلف هستند.
به منظور اطمینان از کیفیت سرویس برنامه ریزی کارآمد و توازن بار در بین گره ها در محیط ابر توزیع مورد نیاز است. در ابر رایانه های QoS برای تضمین رضایت مشتری بسیار مهم است. یک مکانیزم تعادل بار کارآمد تلاش می کند تا به زمان اجرای برنامه های کاربردی که کاربر درخواست داده سرعت ببخشد. همچنین عدم تعادل سیستم را کاهش می دهد و دسترسی عادلانه ای به کاربران ارائه می دهد.
تعادل بهتر بار در معیارهای QoS خوب مانند استفاده کارآمد از منابع است، و به مقیاس پذیری، زمان پاسخ، و تحمل خطا منجر خواهد شد. همچنین زمان انتقال را می توان با حفظ تعادل بار بهتر بهبود داد. بهبود در عوامل فوق QoS خوب به مشتریان توافقنامه سطح خدمات در نتیجه کمتر (SLA) نقض تضمین خواهد کرد.
ماهیت پویا از محیط محاسبات ابری نیاز به یک الگوریتم پویا برای برنامه ریزی کارآمد و توازن بار کارآمد در میان گره دارد. الگوریتم متعادل کردن بار تنها زمانی که تغییرات کوچک در وظایف سنگین هستند ایستا کار می کند. مسائل توازن بار و زمان بندی ابر به صورت مسائل ان پی هارد در نظر گرفته می شوند.
الگوریتم های الهام گرفته از طبیعت نقش حیاتی در حل پویا مسائل زمان واقعی دارند، که مسائل سخت را با روش های طبیعی حل می کند. این مسائل ان پی هارد در یک محدوده زمانی حل می شود. الگوریتم های الهام گرفته از طبیعت راه حل های بهینه یا تقریبا بهینه برای این مسائل در زمان واقعی در فاصله زمانی چند جمله ای تولید می کنند. ایده پشت الگوریتم هوش تعامل محلی بسیاری از عوامل ساده برای رسیدن به یک هدف ساده ایجاد کرده است.
الگوریتم زنبور عسل یک الگوریتم هوش ازدحامی بر اساس رفتار تغذیه کلنی زنبور عسل تابع حل مسائل عددی است [1]. این تقلید رفتار جستجوگری زنبور عسل . مزیت هایی مانند حافظه، چند شخصیت، جستجوی محلی و بهبود راه حل را فراهم می کند، پس از آن یک راه حل عالی برای مسائل بهینه سازی است [2-4] . الگوریتم متشکل از زنبورها، و منبع مواد غذایی آن ها است. در کندوی زنبور عسل ، به زنبورها برای منابع غذایی علوفه می دهند. پس از پیدا کردن یک منبع غذایی زنبور عسل به کندو بازگشته و یک حرکت ارتعاشی انجام می دهد. بر اساس حرکت ارتعاشی زنبور های دیگر در کندو اطلاعاتی در مورد میزان غذا و فاصله از کندو زنبور عسل دریافت می کنند . سپس زنبورها به دنبال زنبور به محل کندو زنبور عسل رفته و شروع به برداشت آن می کنند . موقعیت منابع غذایی به صورت تصادفی توسط زنبور عسل انتخاب شده است.
در روش ارائه شده، الگوریتم کلونی زنبور عسل اصلاح و آن به نحو احسن برنامه ریزی و تعادل بار در میان گره های ابر در محیط ابری پویا اعمال می شود. این روش حالت قبلی از یک گره در نظر گرفته می شود در حالی که توزیع بار انجام شده است. برای موازنه بار الگوریتم کلونی زنبور عسل پارامترها به محیط ابر برای دستیابی به تعادل بار نقشه برداری می شود. الگوریتم برای رسیدن به حداقل زمان پاسخ و زمان اتمام تلاش می کند . بخش باقی مانده از این مقاله به شرح زیر سازماندهی شده است. بخش 2 در مورد انواع مختلف روش های تعادل بار در ابر است. الگوریتم پیشرفته کلونی زنبور عسل و معماری آن در بخش 3 شرح داده شده. بخش 4 نتایج تجربی را بیان می کند . در نهایت این مقاله در بخش 5 تجزیه و تحلیل را ارائه می دهد

Abstract

Cloud computing is a promising paradigm which provides resources to customers on their request with minimum cost. Cost effective scheduling and load balancing are major challenges in adopting cloud computation. Efficient load balancing methods avoids under loaded and heavy loaded conditions in datacenters. When some VMs are overloaded with several number of tasks, these tasks are migrated to the under loaded VMs of the same datacenter in order to maintain Quality of Service (QoS). This paper proposes a modification in the bee colony algorithm for efficient and effective load balancing in cloud environment. The honey bees foraging behaviour is used to balance load across virtual machines. The tasks removed from over loaded VMs are treated as honeybees and under loaded VMs are the food sources. The method also tries to minimize makespan as well as number of VM migrations. The experimental result shows that there is significant improvement in the QoS delivered to the customers.

1 Introduction

Cloud computing is an emerging technology completely rely on internet, in which all the data and applications are hosted on a datacenters, which consists of thousands of computers interlinked together in a complex manner. The cloud providers adopt pay as you use model for their resource utilization. Over the Internet, the customers can use computation power, software resources, storage space, etc., by paying money only for the duration he has used the resource. Besides Internet, customers, datacenters, and distributed servers are the main three components of a cloud eco system. Datacenter is a collection of servers hosting different applications and also provides storage facility. In order to subscribe for different applications, end user needs to connect to the datacenter. Usually a datacenter is situated far away from the end users. Distributed servers are the parts of a cloud environment which are present throughout the Internet hosting different applications. In order to ensure QoS efficient scheduling and load balancing among nodes are required in the distributed cloud environment. In cloud computing ensuring QoS is crucial for customer satisfaction. An efficient load balancing mechanism tries to speed up the execution time of user requested applications. It also reduces system imbalance and gives a fair access to the users. Better load balancing will result in good QoS metrics such as efficient resource utilization, scalability, response time, fault tolerance. Also migration time can be improved by better load balancing. The improvement in the above factors will ensure good QoS to the customers thereby less Service Level Agreement (SLA) violations. The dynamic nature of cloud computing environment needs a dynamic algorithms for efficient and efficient scheduling and load balancing among nodes. Static load balancing algorithms will works only when small variation in the workloads. Cloud scheduling and load balancing problems are considered as NP hard problems. Nature inspired algorithms plays a vital role in solving dynamic real time problems, which are hard to solve by normal methods. These NP hard problems are hard to solve within a time limit. Nature inspired algorithms produce optimal or near optimal solutions to these real time problems in polynomial time interval. The idea behind swarm intelligence algorithm is that local interaction of many simple agents to attain a simple objective. The Bee Colony algorithm is a swarm intelligence algorithm [1] based on the foraging behavior of honey bee colonies to solve numerical function optimization problems. It mimics the foraging behavior of honey bees. It has advantages such as memory, multi-character, local search and solution improvement mechanism, so it is an excellent solution for optimization problems [2–4]. The algorithm consists of scout bees, forager bees and food source. In bee hives, scout bees forage for food sources. After finding a food source it returned to bee hive and performs a waggle dance. Based on waggle dance other bees in the hive get information about quantity of food and distance from the bee hive. Then forager bees follow the scout bees to the location of bee hive and begin to reap it. The positions of food sources are randomly selected by the bees. In the proposed method, bee colony algorithm is modified and it is applied to efficiently schedule and balance the load among cloud nodes in the dynamic cloud environment. Here this method considers previous state of a node while distributing the load. For load balancing the bee colony algorithms parameters are mapped to cloud environment for achieving load balancing. The algorithm tries to achieve minimum response time and completion time. The remaining part of this paper is organized as follows. Section 2 describes about different kinds of load balancing methods in cloud. Enhanced bee colony algorithm and its architecture described in Sect. 3. The Sect. 4 gives experimental results and analysis. Finally this paper concludes in Sect. 5.