تعادل بار در رایانش ابری با استفاده از بهینه سازی ازدحام ذرات (PSO) مبتنی بر جهش

Load Balancing in Cloud Computing using Mutation Based Particle Swarm Optimization

چکیده

1. مقدمه

2. تکنیک پیشنهادی

A. بهینه سازی ازدحام ذرات مبتنی بر جهش

B. استفاده از جهش برای نتیجه بهینه شده

3. شبیه سازی و نتیجه

A. جزئیات اجرا

B. تنظیم پارامترها

C. نتیجه آزمایشی

4. نتیجه گیری و کارهای آینده

چکیده

رایانش ابری، نوعی فن آوری است که وظایف را با تخصیص دینامیکی ماشینهای مجازی اجرا می‌کند. هزینه‌ای که کاربران پرداخت می‌کنند بر مبنای میزان تقاضای آنها برای منابع است. یک تأمین کننده ابر باید با چالشهای زیادی روبرو شود. یکی از مسائل بسیار مهم، تعادل بار است که از مشکلات زیادی مانند همگرایی نابهنگام، کاهش سرعت همگرایی، راه حل‌های تصادفی که ابتدا  انتخاب می‌شوند و درگیر شدن در اپتیمای بومی تأثیر می‌پذیرند. روش پیشنهادی، پارامترهای زمان صرف شده (MakeSpan) را برای رسیدگی به مسئله مربوط به تکنیکهای اکتشافی موجود مورد نظر قرار داده است. در اینجا یک الگوریتم تعادل بار کارآمد برای به حداقل رساندن پارامترهای عملکرد مانند زمان صرف شده (MakeSpan) طراحی شده که تابع برازش را در رایانش ابری بهبود می‌بخشد.

1. مقدمه

رایانش ابری به عنوان یک زبان حرفه‌ای در حوزه رایانش سریع و محیط توزیع شده ایجاد شده است. این فن آوری سرویسهای درخواستی را در مجموعه مشترکی از منابع از طریق اینترنت برای کاربران فراهم می‌آورد که بطور پویایی مقیاس پذیر هستند. رایانش ابری یکی از بزرگترین زمینه‌ها در فن آوریهای وب است که می‌تواند وظیفه ای را که کاربران نمی‌توانند با راحتی به آن دسترسی داشته باشند، بطور پویایی به یک ماشین مجازی اختصاص دهد. یکی از چالشهای مهم در رایانش ابری، تعادل بار است. تعادل بار اصطلاحی است که برای تسهیم بار بین چندین پردازنده تعریف می‌شود. بار کاری را می‌توان در دسته‌های مختلفی مانند بار CPU ، بار شبکه ، مشکل ظرفیت حافظه و غیره طبقه بندی کرد. 

4. نتیجه گیری و کارهای آینده

تعادل بار همیشه از مهم‌ترین چالش‌ها در محیط رایانش ابری بوده است. هدف اصلی الگوریتم پیشنهادی، به حداقل رساندن زمان صرف شده (MakeSpan)  و بهبود تابع برازش است. در اینجا روش پیشنهادی، از بهینه سازی ازدحام ذرات مبتنی بر جهش استفاده کرده است. این یک روش بهینه سازی الهام گرفته از طبیعت است، بنابراین روش پیشنهادی آن را با یک عملگر ژنتیکی یعنی جهش ترکیب کرده است. استفاده از جهش برای بهترین راه حل ارائه شده توسط الگوریتم PSO موجود ، زمان صرف شدۀ بهتری را برای ما ایجاد کرده و تابع برازش را بهبود بخشیده است. الگوریتم MPSO در مقایسه با PSO نتایج بهتری را می‌دهد. در اینجا روش پیشنهادی در مورد پارامتر زمان صرف شده (MakeSpan)  نیز مقایسه شده است. در روش پیشنهادی ، از زمان بندی انحصاری ماشین مجازی برای اجرای تعادل بار استفاده شده است. در آینده، ، معیارهای مختلف دیگری مانند توان عملیاتی، زمان میانگین ، استفاده از منابع ، زمان انتظار و غیره را می‌توان مد نظر قرار داد.

Abstract

Cloud computing has emerged as a technology that grease tasks by the dynamic allocation of virtual machines. Users pay for resources based on their demand. A cloud provider has to face many challenges. One out of the essential problem is load balancing, which suffers from many issues like premature convergence, reduced convergence speed, at first chosen random solutions, and stuck in native optima. The proposed method considered the MakeSpan parameters to handle the problem related to existing met heuristic techniques. The proposed method focuses on the mutation-based Particle Swarm algorithm to balance load among the data centers. Here an efficient load balancing algorithm is developed to minimize performance parameters like MakeSpan time and improve the fitness function in cloud computing.

I. INTRODUCTION

Cloud computing has risen as jargon in the area of highperformance computing and distributed environment. It provides users with on-demand services to a shared pool of resources over the Internet which is dynamically scalable. Cloud computing is being the most magnifying field in web technologies. It dynamically allocates the task on the virtual machine which is easily accessible to the user. One of the main challenges in cloud computing is load balancing. Load balancing is a term defined for sharing the load among the multiprocessors. The workload can be classified into various categories like CPU load, network load, memory capacity issue, etc.

IV. CONCLUSION AND FUTURE WORK

Load Balancing has always been the most significant challenge in the Cloud Computing environment. The primary objective of the proposed algorithm is to minimize MakeSpan and improve fitness function. Here proposed method uses a mutation-based particle swarm optimization. It is a natureinspired optimization technique, so the proposed method combined it with a genetic operator i.e. Mutation. Applying mutation on the best solution given by the existing PSO algorithm gave us a better MakeSpan and improved the fitness function. MPSO algorithm gives better results as compared to PSO. Here proposed method is also compared on the MakeSpan parameter. The proposed method used pre-emptive virtual machine scheduling for performing load balancing. In the future, various other metrics like throughput, average time, resource utilization, waiting time, etc. can be considered.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تعادل بار در رایانش ابری با استفاده از بهینه سازی ازدحام ذرات (PSO) مبتنی بر جهش

Load Balancing in Cloud Computing using Mutation Based Particle Swarm Optimization

توازن بار در رایانش ابری: یک تصویر بزرگ

Load Balancing in Cloud Computing: A big Picture

چکیده

1- مقدمه

2- معماری رایانش ابری

3- ماتریس های عملکرد تاثیرگذار بر توازن بار

4- طبقه بندی الگوریتم های توازن بار

4-1 الگوریتم های توازن بار

5- نتایج شبیه سازی

6- نتیجه گیری

چکیده

زمان بندی اختصاص درخواست کاربر (کارها) در محیط ابری یک مساله بهینه سازی NP-hard است. مطابق با زیرساخت ابری و درخواست های کاربران، سیستم ابری همراه با برخی بارها (که ممکن است کم باری یا اضافه بار یا بار متعادل باشد) اختصاص داده می شود. شرایطی همانند کم باری یا اضافه بار سبب خرابی سیستم مرتبط با مصرف توان، زمان اجرا، خرابی ماشین و غیره شود. بنابراین، توازن بار برای غلبه بر تمامی مشکلات اشاره شده فوق مورد نیاز است. این توازن بار کارها (آن ها ممکن است وابسته یا مستقل باشند) بر ماشین های مجازی (VM) جنبه مهمی از زمان بندی کارها در ابرها است. انواع مختلف بارها در شبکه ابری همانند بار حافظه، بار محاسباتی (CPU)، بار شبکه و غیره وجود دارد. توازن بار مکانیزم شناسایی نودهای اضافه بار و کم بار و سپس توزان بار در بین آن ها است. محققان روش های مختلف توازن بار را در رایانش ابری برای بهینه سازی پارمترهای مختلف عملکرد پیشنهاد داده اند. ما یک طبقه بندی را برای الگوریتم های توزان بار در ابر ارائه کرده ایم. توضیح کوتاهی از پارامترهای عملکرد در ادبیات و اثرات آن ها در این مقاله ارائه شده است. به منظور تحلیل عملکرد الگوریتم های مبتنی بر اکتشاف ، شبیه سازی ها در شبیه ساز CloudSim انجام شده است و نتایج به طور کامل ارائه شده است.

1- مقدمه

در حوزه فناوری شبکه، فناوری رایانش ابری در حال نمایش رشد پدیده ای به دلیل پیشرفت فناوری ارتباطات، استفاده گسترده از اینترنت و حل مشکلات در مقیاس بزرگ است. این فناوری کاربردهای سخت افزاری و نرم افزاری همانند منابع در بستر اینترنت را برای کاربر ابر امکان پذیر می سازد. رایانش ابری یک مدل رایانه ای مبتنی بر اینترنت است که منابع (مانند شبکه ها، سرورها، استوریج، برنامه ها و خدمات)، نرم افزار و اطلاعات را به دستگاه های مختلف کاربر براساس تقاضا به اشتراک می گذارد [1]. رایانش ابری مسیری به سوی رایانش سودمند است که توسط برخی شرکت های مهم فناوری اطلاعات مورد استفاده قرار گرفته است که نمونه این شرکت ها آمازون، اپل، گوگل، HP، IBM، مایکروسافت، اوراکل و غیره است. مدل رایانش ابری دارای سه مدل خدماتی به نام نرم افزار به عنوان یک سرویس (SaaS)، پلتفورم به عنوان یک سرویس (PaaS) و زیرساخت به عنوان یک سرویس (IaaS) و چهار مدل پیاده سازی به نام های خصوصی، عمومی، ترکیبی و اجتماعی است.

6- نتیجه گیری

در این مطالعه تکنیک های مختلف توازن بر در محیط های مختلف (یعنی همگون و ناهمگون) رایانش ابری توصیف شده است. یک معماری سیستم به همراه مدل های متمایز برای میزبان و ماشین مجازی توضیح داده شده است. ما پارامترهای مختلف عملکرد را برای تحلیل عملکرد سیستم مورد ارزیابی قرار دادیم. محاسبه زمان کل و مصرف انرژی سیستم به طور کامل بررسی شده است. همچنین یک طبقه بندی برای الگوریتم توازن بار در محیط ابری پیشنهاد داده شده است. به منظور تحلیل عملکرد الگوریتم های مبتنی بر اکتشاف، شبیه سازی در شبیه سازی CloudSim انجام و نتایج به طور کامل ارائه شده است. برای انجام تحقیقات بیشتر، درک این روش ها الزامی است. کار آتی دربرگیرنده ارزیابی الگوریتم های پیشنهادی در اجرای محیط واقعی ابری و همچنین پیاده سازی تکنیک های بحث شده و مقایسه بین آن ها است.

Abstract

Scheduling or the allocation of user requests (tasks) in the cloud environment is an NP-hard optimization problem. According to the cloud infrastructure and the user requests, the cloud system is assigned with some load (that may be underloaded or overloaded or load is balanced). Situations like underloaded and overloaded cause different system failure concerning the power consumption, execution time, machine failure, etc. Therefore, load balancing is required to overcome all mentioned problems. This load balancing of tasks (those are may be dependent or independent) on virtual machines (VMs) is a significant aspect of task scheduling in clouds. There are various types of loads in the cloud network such as memory load, Computation (CPU) load, network load, etc. Load balancing is the mechanism of detecting overloaded and underloaded nodes and then balance the load among them. Researchers proposed various load balancing approaches in cloud computing to optimize different performance parameters. We have presented a taxonomy for the load balancing algorithms in the cloud. A brief explanation of considered performance parameters in the literature and their effects is presented in this paper. To analyze the performance of heuristic-based algorithms, the simulation is carried out in CloudSim simulator and the results are presented in detail.

1- Introduction

In the field of network technology, the cloud computing technology is showing phenomenal growth due to the advancement of communication technology, explosive use of Internet and solve large-scale problems. It allows both hard ware, and software applications as resources over the Internet for the cloud user. The cloud computing is an Internet-based computing model that share resources (e.g., networks, servers, storage, applications, and services), software, and information to various devices of the user on demand [1]. The Cloud computing is a path to utility computing embraced by some major IT companies such as Amazon, Apple, Google, HP, IBM, Microsoft, Oracle, and others. The Cloud Computing model has three service models, namely, Software as a Service (SaaS), Platform as a Service (PaaS), Infrastructure as a Service (IaaS) and four deployment models, namely, private, public, hybrid and community.

6- Conclusion

In this study, we have described various load balancing techniques in different (i.e., homogeneous, heterogeneous) cloud computing environments. A system architecture, with distinct models for the host, VM is described. We have explained various performance parameters listed in the above tables those evaluate the system performance. The calculation of makespan and energy consumption of the system is explained in details. We have proposed a taxonomy for the load 390 balancing algorithm in the cloud environment. To analyze the performance of heuristic-based algorithms, the simulation is carried out in CloudSim simulator and the results are presented in detail. For further researches, understanding of these approaches is essential. Future work includes evaluating the proposed algorithms in a real-world cloud deployment, and also implementation of all discussed techniques and make a comparison among all.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

توازن بار در رایانش ابری: یک تصویر بزرگ

Load Balancing in Cloud Computing: A big Picture

راهبرد امنیتی به منظور اختصاص ماشین مجازی در رایانش ابری

Security Strategy for Virtual Machine Allocation in Cloud Computing

چکیده

1. مقدمه

2. کارهای مرتبط

2-1 از بین بردن حمله کانال جانبی

2-2 راهبرد اختصاص ماشین مجازی

3. تحلیل و معیارهای راهبر تخصیص ماشین مجازی

3-1 توازن بار

3-2 مصرف انرژی

3-3 راهبرد جدید تخصیص ماشین مجازی امن

4. آزمایش و ارزیابی

4-1 ساختار آزمایش

4.2 تجزیه و تحلیل نتایج

5. نتیجه گیری

منابع

چکیده

در زیرساخت ابری، حمله هم ساکن  یک تهدید جدی امنیتی محسوب می شود. این امکان وجود دارد که از طریق فناوری مجازی سازی ارائه شده توسط ارائه دهنده سرویس ابری  (CSP)، ماشین های مجازی  (VM) مستاجر به یک میزبان یکسان اختصاص داده شوند. محیط چند مستاجری  فرصت مخربی را برای اجرای حمله هم سکاکن و سرقت اطلاعات مستاجران دیگر از طریق کانال های جانبی فراهم می کند. برای پیشگیری از این نوع حمله، کارهای قبلی بیشتر توجه خود را به کانال های جانبی اختصاص داده اند و تعداد محدودی از آن ها راهبرد اجرای ماشین مجازی را مورد مطالعه قرار داده اند. بنابراین ما بر اجرای ماشین های مجازی همراه با استراتژی امن و موثر به منظور کاهش احتمال حمله هم ساکنی به ماشین مجازی متمرکز می شویم. یک استراتژی جدید اختصاص ماشین مجازی همراه با سه هدف بهینه سازی شامل امنیت، توازن بار و مصرف انرژی پیشنهاد داده می شود. در نهایت استراتژی پیشنهادی تخصیص ماشین مجازی را پیاده سازی می کنیم و اثربخشی آن بر پلتفورم شبیه سازی CloudSim را اثبات می کنیم.

1. مقدمه

ارائه دهندگان خدمات ابری (CSP) مانند گوگل، Amazon و Alibaba در حال توسعه پلتفورم های ابری خود هستند. مستاجران می توانند از طریق این فناوری هزینه های فناوری اطلاعات خود را کاهش دهند چرا که آن ها تنها هزینه منابع مورد استفاده در هر زمان و هر مکانی را می پردازند. 

ارائه دهنده خدمات ابری در لایه IaaS چندین ماشین مجازی را بر روی یک میزبان برای مستاجران مختلف فراهم می کند. آن ها به این صورت می توانند بهره گیری از منابع را به حداکثر برسانند و درآمد خود را افزایش دهند. همچنین این کار می تواند تهدید امنیتی جدیدی را به ارمغان آورد. در سال 2009، Thomas و همکاران [1] مفهوم حمله هم ساکن به ماشین مجازی را پیشنهاد دادند که مجموعه ای از مشکلات امنیتی را به ارمغان می آورد: کاهش دسترسی به منابع [2]، تخلیه منابع ماشین های مجازی قربانی [3] و سرقت اطلاعات خصوصی [4].

Abstract

In the cloud infrastructure, the co-resident attack is a critical security threat. Through virtualization technology provided by Cloud Service Provider, tenants’ virtual machines (VMs) are possible to be allocated on the same host. Multi-tenant environment provides malicious tenants an opportunity to launch the co-resident attack and steal other tenants’ information by side channels. To prevent this type of attack, previous works mostly pay attention to eliminating side channels and few of them study VM deployment strategy. Hence, we focus on deploying VMs with a secure and effective allocation strategy to reduce the probability of VM co-residence. A novel VM allocation strategy is proposed with three optimization objectives including security, load balancing and energy consumption. Finally, we implement our VM allocation strategy and prove its effectiveness on the simulation platform CloudSim.

1. Introduction

Cloud Service Providers (CSPs) such as Google, Amazon and Alibaba are developing their cloud platforms. Tenants have a chance to reduce their IT cost through this technology because they can pay only for the resources used at any time and any place.

In the IaaS layer, CSPs usually create multiple virtual machines (VMs) on a single host for different tenants. In this way, they can maximize the resources utilization and increase revenue. Yet, this also brings a new security threat. In 2009, Thomas et al. [1] first proposed the concept of VM co-resident attack, which also brings a series of security problems: reducing the resources availability [2], making victim VMs free up resources [3], and stealing private information [4].

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

راهبرد امنیتی به منظور اختصاص ماشین مجازی در رایانش ابری

Security Strategy for Virtual Machine Allocation in Cloud Computing

خوشه بندی مبتنی بر مکان مجازی ماشین ها در محاسبات ابری توزیع شده

Clustering based virtual machines placement in distributed cloud computing

چکیده

1.مقدمه

2.کارهای مرتبط

2.‌1.قرار دادن VM و استاندارد مجازی سازی اخیر

2.‌2.خوشه بندی براساس تراکم

3.انتخاب مرکز داده براساس خوشه بندی

3.‌1.انگیزه

3.‌2.انتخاب مرکز داده

4.تفکیک ماشین های مجازی برای انتخاب مراکز داده

4.‌1.مدل نیم ارتباطی (HCM) VMها

4.‌2.تفکیک ماشین های مجازی

5.آزمایش

5.‌1.انتخاب مرکز داده براساس خوشه بندی

5.‌2.تفکیک ماشین های مجازی

6.نتیجه و کارهای آینده

چکیده

مجازی سازی منبع یکی از مهم ترین ویژگی های محاسبات ابری می باشد. مکان ماشین های مجازی (VMها) درماشین های فیزیکی بازده مصرف منابع و کیفیت سرویس را مشخص می نماید. مخصوصا در محاسبات ابری توزیع شده، که مراکز داده (DCها) محدوده جغرافیایی وسیعی را پوشش می دهند و تمام DCها توسط اینترنت سرعت بالا به هم متصل اند، مکان VMهای یک فعالیت بزرگ یا سازمانی بر کاهش فاصله و پهنای باند DCها تمرکز دارد. این امر موجب حداقل شدن تاخیر ارتباط و بهبود دسترسی می گردد. یک خوشه مرکز داده در ابتدا باید خودش را با درخواست VMها تطبیق دهد. هدف کاهش بیشترین فاصله داخلی DCها است. در مقابل روش های موجود که تنها فاصله بین مراکز داده را در نظر می گیرند، یک الگوریتم خوشه بندی کارآمد که توسط استفاده کامل از توپولوژی و ویژگی تراکم شبکه ابری گسترش داده شده است، ارائه می شود. شبیه سازی نشان می دهد که الگوریتم ارائه شده برای مسائل مقیاس بزرگ بسیار مناسب است. سپس، VMهای درخواستی باید به خوشه های DC تفکیک شوند، تا در پهنای باند داخلی DC صرفه جویی شود و دسترسی نیز بهبود داده شود. با معرفی مدل نیم ارتباطی، الگوریتمی جدید که مصرف پهنای باند را کاهش می دهد برای تفکیک VMها ارائه می گردد. پیچیدگی زمان این الگوریتم با ضریب O(logn) به O(n2) کاهش داده می شود و نسبت به روش های موجود 3 برابر سریع تر اجرا می شود. 

1.مقدمه

محاسبات ابری در سال های اخیر به منظور مصرف درست منابع و دسترسی آسان خدمات رواج زیادی یافته است [1، 2]. این قدرت های رقابتی به معرفی فن آوری مجازی و شبکه توزیع ابری کمک می کنند. براساس استانداردهای صنعتی مجازی سازی، هسته ماشین های فیزیکی (PMها) را می توان به CPUهای مجازی بیشتری تبدیل نمود (vCPUها) [3]. ماشین های مجازی می توانند در مرکز vCPUها قرار گیرند و در نتیجه مصرف منابع کارآمدتری داشته باشند. این امر موجب تحریک VMها شده که برای گسترش آن ها توسط شبکه توزیع در کاربران انتهایی مکانی متفاوت مفید می باشد. ابرهای توزیع از تعداد زیادی مرکز داده تشکیل می شود که بوسیله اینترنت پر سرعت به هم متصل می باشند [4]. در مقابل این ابرهای متمرکز،‌ DCهای توزیع شده قرار دارند که قابلیت های نسبتا کمی دارند، چراکه براساس ترافیک پایین محیط پراکنده ایی که در آن قرار دارند طراحی شده اند. 

6.نتیجه و کارهای آینده

توسط مفهوم روش های خوشه بندی، این مقاله الگوریتم CBMinDia را برای مساله انتخاب DC معرفی کرد که دارای بازده بهتری است. CBMinDia مشخصه 2-تقریبی را حفظ می کند و برای DCها یا درخواست های VM‌ مقیاس بزرگ مناسب تر است. چراکه از اطلاعات تراکم و ظرفیت DCهای شبکه استفاده کاملی می کند و راه حل هایی که نسبتا بهینه هستند را در مقایسه  با راه حل های امکان پذیر کنار می گذارد. محاسبات بشدت کم می شوند و شبیه سازی بیشترین بازده را برای خوشه بندی توزیع DC نشان می دهد. 

برای مساله تفکیک VM، با معرفی مفهوم HCM یک الگوریتم نسبتا بهتر بررسی می شود. این الگوریتم یک زوج AOT و AIT‌ مناسب برای هر انتخاب VM مشخص می کند. مقدار AOT و AIT‌ امکان ماکزیمم نمودن ترافیک میان DC و مینیمم نمودن ترافیک درون DC را فراهم می کند. مهمتر اینکه، این مفهوم می تواند انتخاب VMها را توسط اضافه نمودن یک بردار ساده ساده تر کند و محاسبات ماتریس ترافیک را کاهش دهد. از این رو پیچیدگی زمان با ضریب O(logn) به O(n2) کاهش می یابد و بازده 3 برابر بهتر می شود. 

Abstract

Resource virtualization is one of the most prominent characteristics of cloud computing. The placement of virtual machines (VMs) in the physical machines determines the resource utilization efficiency and service quality. Especially for distributed cloud computing, where the data centers (DCs) span a large number of geographical areas and all DCs are connected by high speed internet, the placement of VMs of one big task or of one organization focuses on minimizing the distances and bandwidths between DCs. This minimizes communication latency and improves availability. A data center cluster should be found firstly to accommodate the requested VMs. The purpose is to minimize the maximum inter-DC distance. In contrast to existing method that only considers the distances between data centers, a more efficient clustering based 2-approximation algorithm is developed by taking full use of the topology and the density property of cloud network. The simulation shows the proposed algorithm is especially appropriate for very large scale problems. Then, the requested VMs should be partitioned to the DC cluster, so that the expensive inter-DC bandwidth is saved and the availability is improved. With the introduction of a half communication model, a novel heuristic algorithm which further cuts down the used bandwidths is presented to partition VMs. Its time complexity is reduced to O(n2) by a factor of O(logn) and it runs 3 times faster than the existing method.

1. Introduction

Cloud computing has gained great popularity in recent years for the efficient resource usage and convenient service access [1, 2]. These competitive powers are attributable to the introduction of virtual technology and distributed networking of cloud. Based on the actual standard of virtualization industry, the cores of physical machines (PMs) can be virtualized into more virtual CPUs (vCPUs) [3]. Virtual machines (VMs) can be placed on the granularity of vCPUs and thus gain a more efficient resource utilization. It is also hoped VMs can be deployed closer to the end users in different geographical locations by distributed networking. Distributed cloud consists of a lot of data centers (DCs) and all DCs are connected by high speed internet [4]. Contrary to the counterparts of centralized cloud, distributed DCs have relatively small capability because they are planned according to the less traffic of the dispersed area they locate.

6. Conclusions and future work

By means of the notions of clustering methods, this paper presents a more efficient algorithm, CBMinDia, for the DC selection problem. CBMinDia keeps the 2-approximation property and is more appropriate for large scale DCs or requested VMs. Because the algorithm takes full use of the density and DC capacity information of the network, it cuts off the sub-optimum DCs compared to a rather good feasible solution. The computing effort is greatly decreased and the simulation reveals that it is the most efficient for clustering DC distribution.

For VM partition problem, a slightly more effective algorithm is investigated with the introduction of HCM concept. This algorithm determines an appropriate pair of AOT and AIT for each selection of a VM. The value of AOT and AIT permits maximizing the intra-DC traffic and minimizing the inter-DC traffic. More importantly, the concept can facilitate the convenient selection of VMs by means of simple vector addition and subtraction calculation of the traffic matrix. Hence the time complexity is reduced to O(n 2 ) by a factor of O(log n) and the efficiency is improved about 3 times.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

خوشه بندی مبتنی بر مکان مجازی ماشین ها در محاسبات ابری توزیع شده

Clustering based virtual machines placement in distributed cloud computing

بازبینی ماشین مجازی در رایانش ابری

Virtual machine monitoring in cloud computing

چکیده

1-مقدمه

1-1 پس‌انداز برای استفاده‌کنندگان کلود

1-2 توجه به کسب‌وکار هسته‌‌گرا

1-3 عملکرد و حمایت

2- ساختار فعلی

3- انگیزهِ تحقیقِ فعلی

4-ساختار پیشنهادی

4-1 بازبینی

4-2 پلتفرمی برای بازبینی

5- اجرا و تست‌کردن

5-1 طراحی مبتنی بر دامین (DDD )

5-2 اجزای بازبینی ماشین مجازی

5-3 دسته‌های بازبینی ماشین مجازی

5-4 تست کردن در ماشین مجازی

6-نتایج

6-1 مقایسه میان قیمتِ نمونه AWS و Azure

7- نتیجه‌گیری و بحث

چکیده

محاسبات اینترنتی  به معنای انتقالِ محاسبات در قالب یک سرویس و نه یک محصول است؛ هنگامی که منابع مشترک، نرم‌افزار و اطلاعات برای کامپیوترها و دیگر وسایل در یک شبکه (عموما اینترنت) به عنوان ابزاری سودمند فراهم می‌شود (نظیر شبکه برق). کلود‌ها ممکن است عمومی، خصوصی یا ترکیبی از هر دو باشند. همچنین محاسبات اینترنتی یا بطور خلاصه‌تر فقط “کلود” کارآمدیِ منابع مشترک را به حداکثر می‌رسانند. عموما منابع کلود نه تنها توسط کاربران مختلف به اشتراک گذارده می‌شوند بلکه بنا به هر درخواستی که ثبت می‌شود، بطور دینامیک مجددا تخصیص پیدا می‌کنند. این امر می‌تواند در تخصیص منابع به کاربران راهگشا باشد. به عنوان مثال، یک مرکز کامپیوتر کلود که به کاربران اروپایی در طول ساعات اداری برای کاربردی مشخص (مثلا ایمیل) سرویس ارائه می‌دهد، ممکن است همان منابع را در اختیار کاربران آمریکای شمالی در ساعات اداری آمریکای شمالی با تخصیص مجدد و برای کاربردی دیگر (نظیر سرور وب) قرار دهد. چنین رویکردی احتمالا استفاده از توانِ محاسباتی را به حداکثر می‌رساند و در نتیجه تخریب محیط زیستی را کاهش می‌دهد چرا که نیاز به توان، مبدل‌های جریان هوا و فضا برای انجامِ عملکردهای مختلف کاهش خواهد یافت. به کمکِ محاسبات اینترنتی، چندین کاربر می‌توانند به یک سرور برای بازیابی و بروزرسانی داده‌هایشان دسترسی داشته باشند بدون آنکه نیازی باشد گواهی‌های متفاوتی برای کاربردهای اخذ کنند.

حامیانِ کلود، ادعا می‌کنند که محاسبات اینترنتی به شرکت‌ها اجازه می‌دهد تا از هزینه‌های رو به افزایشِ زیرساخت جلوگیری کنند و بر پروژه‌هایی تمرکز کنند که وجه تمایز کار آنها با دیگران است به جای آنکه بخواهند به زیرساخت تکیه کنند. همچنین هواداران کلود ادعا می‌کنند که محاسبات اینترنتی به موسسات تجاری اجازه می‌دهد تا اپلیکیشن‌های مختلفشان را به سرعت پشتیبانی کرده در حالی که مدیریت منابع بهبود می‌یابد و تعمیرات و نگهداری کاهش می‌یابد. همچنین کلود، فناوری اطلاعات را قادر می‌سازد تا سریعتر منابع را برای برآوردن تقاضاهای پیش‌بینی‌نشده و در حال نوسان سازگار کنند. تامین‌کنندگان کلود عموما از مدل “پرداخت کن مادامیکه به پیش می‌روی” استفاده می‌کنند. اگر مدیران خودشان را با مدل کلود تطبیق ندهند، این امر می‌تواند منجر به هزینه‌های بالای پیش‌بینی‌نشده‌ای شود.

7- نتیجه‌گیری و بحث

این اپلیکیشن به سازمان‌ها اجازه می‌دهد تا بصورت فعالانه‌ای به بازبینی سلامتِ عملکردِ اپلیکیشن‌های حیاتی‌شان روی AWS و همچنین مایکروسافت Azure بپردازند. این اپلیکیشن نه تنها به بازبینی اپلیکیشن‌های حیاتی روی کلود می‌پردازد حتی هشدارهایی به کاربران در حینِ استفاده از سیستم درباره بکارگیری منابع و ماشین مجازی (نمونه‌ها) ساخته شده روی کلود می‌دهد. این سازوکار نه تنها محدود به هیچ سرویس‌دهنده کلودی نیست بلکه همچنین قادر است تا به بازبینی و هشدار‌دادن همزمان در مورد چندین کلود از سرویس‌دهندگان متفاوت بپردازد.

Abstract

Cloud computing is the delivery of computing as a service rather than a product, whereby shared resources, software, and information are provided to computers and other devices as a utility (like the electricity grid) over a network (typically the Internet). Clouds can be classified as public, private or hybrid. Cloud computing, or in simpler shorthand just “the cloud”, also focuses on maximizing the effectiveness of the shared resources. Cloud resources are usually not only shared by multiple users but are also dynamically reallocated per demand. This can work for allocating resources to users. For example, a cloud computer facility that serves European users during European business hours with a specific application (e.g., email) may reallocate the same resources to serve North American users during North America’s business hours with a different application (e.g., a web server). This approach should maximize the use of computing power thus reducing environmental damage as well since less power, air conditioning, rack space, etc. are required for a variety of functions. With cloud computing, multiple users can access a single server to retrieve and update their data without purchasing licenses for different applications.

Proponents claim that cloud computing allows companies to avoid upfront infrastructure costs, and focus on projects that differentiate their businesses instead of on infrastructure. Proponents also claim that cloud computing allows enterprises to get their applications up and running faster, with improved manageability and less maintenance, and enables IT to more rapidly adjust resources to meet fluctuating and unpredictable business demand. Cloud providers typically use a “pay as you go” model. This can lead to unexpectedly high charges if administrators do not adapt to the cloud pricing model.

7. Conclusion and discussion

This application will allow organizations to proactively monitor the health and performance of their critical applications deployed on AWS as well as Microsoft Azure. This application not just monitor critical application deployed on cloud it even alerts user while system in process about utilization of resources and virtual machine (instances) created on cloud. This mechanism is not only limited to any one cloud based service provider but it is also capable of providing monitoring as well as alerting mechanism for multiple cloud based service provider.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بازبینی ماشین مجازی در رایانش ابری

Virtual machine monitoring in cloud computing

تخمین و پیش بینی بهره وری اکولوژیک ماشین های مجازی

Estimation and forecasting of ecological efficiency of virtual machines

چکیده

1 . مقدمه

2 . حالتی از طرح و کار مرتبط

3 . نظارت بر بهره وری اکولوژیک در ابرها

3 . 1 مرحله جمع آوری : تولید بایگانی انتشار گاز CO2

3 . 2 مرحله نظارت (i): ارزیابی بهره روی سازگار با محیط زیست برای اجرای VMها

3 .3 مرحله نظارت (ii): پیش بینی بهره وری سازگار با محیط زیست برای گسترش پتانسیل VM

4. ارزیابی

4 . 1 بررسی ارزیابی بهره وری سازگار با محیط زیست

4 . 2 ارزیابی پیش بینی های بهره وری سازگار با محیط زیست

5 . نتیجه گیری

چکیده

توسعه عظیم فروشگاه مجازی ابری به افزایش تعداد مراکز داده ها (DC) در سطح جهانی و در نهایت به افزایش جای پای گاز CO2 منجر شده است. محاسبه اثر ماشین های مجازی (VM) بر محیط زیست کاری چالش برانگیز، نه تنها باتوجه به مشکلات فنی بلکه باتوجه به نبود اطلاعات از ارائه دهندگان انرژی می باشد. بهره وری اکولوژیک از رابطه بین عملکرد سیستم با جای پای زیست محیطی آن بدست می آید. در این مقاله ما یک روش برای تخمین و پیش بینی بهره وری اکولوژیک VM ها در زیرساخت های ابری خصوصی ارائه داده ایم. ما بطور خاصی بر مدیریت اطلاعات منابع انرژی در یک ناحیه، مصرف انرژی و عملکرد منابع و درنهایت محاسبه اکولوژیک یک VM متمرکز شده ایم. برای این منظور، ما به طراحی و اجرای چارچوبی از طریق بهره وری اکولوژیک یک VM پرداخته ایم که می توان آن را ارزیابی کرد و می توان به پیش بینی بهره وری اکولوژیک یک VM گسترش یافته پرداخت. چارچوب ارائه شده از طریق چند سناریو  ابر خصوصی با استقرار VM در فضای واقع شده در آلمان مورد بررسی قرار گرفته است.

1 . مقدمه

رشد سریع خدمات کاربردی تکنولوژی ارتباطات و اطلاعات ( ICT ) همراه با افزایش تعداد مراکز داده ها (DC) که میزبان این خدمات هستند انجام می شود. زیرا مراکز داده های مصرف کننده گان دارای انرژی عظیمی می باشد و از طرفی جای پای کربن در خدمات کاربردی درحال بیشتر شدن است و تمرکز بر روی آن بیشتر شده است. در حال حاضر ICT باعث انتشار حدود 2 درصد گاز کربن در سطح جهانی می شود( بیش از 380 میلیون تن دی اکسید کربن)[1,2]. ظهور الگوی رایانش ابری باعث تقویت بخش خدمات شده است بطوری که پیش بینی می شود در سال 2020 بازارهای مجازی (SaaS ، PaaS ، LaaS) نسبت به امروزه چهار برابر خواهند شد.

5 . نتیجه گیری

در این مقاله ما اثرات زیست محیطی منابع ابر و بطور خاص تکنیک های اندازه گیری و نظارت بر جای پای گاز CO2  ماشین های مجازی را در زیرساخت های رایانش ابر بررسی کرده ایم. ما بهره وری اکولوژیک VM ها را به عنوان معیاری سنجشی که بطور موثری اثرات را تعیین می کند شناسایی می کنیم و ما این معیار سنجش را با استفاده از انرژی و عملکرد مرتبط با پارامترهای سیستم میزبان مدل می کنیم. برای این منظور، ما ساختار خدماتی ارائه دادیم که اجازه می دهد بر بهره وری سازگار با محیط زیست VMها در سناریوهای ابر خصوصی نظارت کنیم. سیستم طراحی شده اطلاعات را از داده های ذخیره انرژی عمومی و داده های پیشین هر کشور به منظور تعیین عوامل انتشار گاز CO2 در هر منطقه جمع آوری می کند. از طریق این روش ما قادر به محاسبه بهره وری سازگار با محیط زیست VMها در یک مکان و در زمان خاص هستیم.

Abstract

The massive development of the cloud marketplace is leading to an increase in the number of the Data Centers (DCs) globally and eventually to an increase of the CO related footprint. The calculation of the impact of Virtual Machines (VMs) on the environment is a challenging task, not only due to the technical difficulties but also due to the lack of information from the energy providers. The ecological efficiency of a system captures the relationship between the performance of the system with its environmental footprint. In this paper we present a methodology for the estimation and prediction of the ecological efficiency of VMs in private cloud infrastructures. We specifically focus on the information management starting from the energy resources in a region, the energy consumption and the performance of the resources and finally the calculation of ecological efficiency of a VM. To this end, we have designed and implemented a framework through which the ecological efficiency of a running VM can be assessed and the ecological efficiency of a VM to be deployed can be forecasted. The presented framework is being evaluated through several private cloud scenarios with VM deployments in hosts located in Germany.

1. Introduction

The rapid growth of ICT application services goes along with an increase in number and size of data centers (DCs) that host these services. Because data centers are massive energy consumers, the carbon footprint of application services is moving more and more into focus. It is considered that ICT presently accounts for approximately 2% of global carbon emissions (more than 830 million tons of carbon dioxide) [1,2]. The advent of the cloud computing paradigm gave an enormous boost to the ICT services sector and the prediction towards 2020 is that the market (SaaS, PaaS, IaaS) will quadruple from what it is today.

5. Conclusions

In this paper we investigated the environmental impact of cloud resources and specifically about techniques to measure and monitor the CO2 footprint of virtual machines in cloud computing infrastructures. We identified ecological efficiency of VMs as the metric that effectively defines such impact and we modeled this metric using energy and performance related parameters of the hosting system. To this end, we proposed a service architecture which allows monitoring the eco-efficiency of VMs in private cloud scenarios. The designed system aggregates information from public energy data-stores and historical data for each country in order to define the CO2 emission factors for each region of interest. Through this methodology we are able to calculate the eco-efficiency of VMs in a location and time specific manner.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

تخمین و پیش بینی بهره وری اکولوژیک ماشین های مجازی

Estimation and forecasting of ecological efficiency of virtual machines

الگوریتم زمانبندی منابع ماشین مجازی برای محاسبات ابری بر اساس مکانیسم مزایده

Virtual machine resource scheduling algorithm for cloud computing based on auction mechanism

چکیده
1- مقدمه
2- مدل سنتی پردازش (رایانش) ابری
3- سازوکار مزایده مبتنی بر الگوریتم زمانبندی منابع VM
1-3- ارزیابی ویژگی ابری و پیکربندی VM
2-3- سازوکار پرداخت مزایده مشتری
4- نتایج و تحلیل آزمایشگاهی
1-4- ترتیبات آزمایش
2-4- آزمایش های شبیه سازی
5- نتیجه گیری

چکیده

برای غلبه بر مشکل زمانبندی ماشین مجازی (VM) در پردازش ابری، الگوریتمی جدید و سازگار با زمانبندی منابع ماشین مجازی مبتنی بر سازوکار مزایده، با چندین عامل، شامل پهنای باند شبکه و مهلت مزایده معرفی می گردد. ابتدا ترتیب دهی پیشنهادات مشتریان (سرویس گیرندگان) بنا به مهلت تعیین شده برای رقابت، انجام می شود. دوم، گروه مشتریان غربال و جدا گشته و منابع متناظر ماشین مجازی (VM) با توجه به کمترین هزینه ارائه کنندگان خدمات ابری، پیکربندی می شود. در آخر، قیمت پرداختی نهایی می تواند با توجه به میزان متوسط پرداخت ها و پرداخت های رقابتی محاسبه گردد، از این رو وظایفی را که مورد نیاز مشتریان است، می توان با منابع ارائه شده ماشین مجازی تکمیل نمود. نتایج آزمایشگاهی شبیه سازی نشان می دهد که الگوریتم پیشنهادی می تواند به طور موثر، کیفیت خدمات محیط ابری، سود ارائه کنندگان خدمات ابری و میزان بهره برداری از ماشین مجازی را بهبود بخشد.

1- مقدمه

پردازش ابری (3-1) فرآورده ای مجتمع شده از مدل های پردازش سنتی مثل پردازش توزیع شده، مجازی سازی و تکنولوژی درحال توسعه شبکه است. بر اساس مدل پردازش فوق الذکر، آن پردازش، ذخیره سازی، پلتفرم (پایگاه) و مجموعه های مشترک منابع خدماتی می توانند محقق شوند، که انتزاعی، به طور پویا گسترش یابنده و قابل مدیریت باشند. بعلاوه، مجموعه های مشترک منابع می توانند به صورت درخواست اینترنتی برای مشتریان بیرونی ارائه گردند.
ماشین مجازی (VM) یکی از معمول ترین منابع در پردازش ابری است. زمانبندی و تخصیص منابع نه تنها به کیفیت سرویس (QoS) مرتبط است (6-4)، بلکه می تواند به طور مستقیم بر سود ارائه کننده خدمات ابری نیز تاثیر بگذارد. در حال حاضر، زمانبندی منابع، موضوع داغ حوزه پردازش ابری است، و یک سری از الگوریتم های زمانبندی منابع (21-7)، به وسیله محققان، در خانه و بیرون از خانه و در آزمایشگاه ها، ارایه شده اند.

5- نتیجه گیری

بر اساس الگوریتم های سنتی زمانبندی منابع VM در پردازش ابری، الگوریتم زمانبندی سازگار با منابع VM در این مقاله پیشنهاد شد، که پهنای باند شبکه منابع، مهلت مزایده و قیمت پرداختی را مورد توجه قرار می دهد. نتایج آزمایشگاهی نشان می دهند که الگوریتم پیشنهادی برتری های قابل توجهی از نظر کیفیت سرویس محیط ابری، سود ارائه دهندگان خدمات ابری و میزان بهره برداری از منابع VM دارد. چگونگی بهینه سازی بیشتر عملکرد این الگوریتم، نقطه تمرکز تحقیق آینده خواهد بود.

Abstract

To overcome the problem of virtual machine (VM) scheduling in cloud computing, a novel adaptive VM resource scheduling algorithm based on auction mechanism is presented by considering multiple factors including network bandwidth and auction deadline. First, the sequencing of the clients’ bids is conducted in the given competition deadline. Second, the client group is screened and corresponding VM resource is configured according to the minimum costs of the cloud service providers. Finally, the final payment price can be figured by considering the levels of average payments and competitive payments, so that the tasks clients request can be completed with the given VM resource. The simulation experimental results show that the proposed algorithm can effectively enhance the quality of service of the cloud environment, the profits of cloud service providers and the resource utilization rate of VM.

1- Introduction

Cloud computing [1–3] is the integration product between the traditional computing model such as distributed computing, virtualization and the developing network technology. Based on the above computing model, the computing, storage, platform and service resource pools can be realized, which are abstract, dynamic extending and manageable. Moreover, the resource pools can be provided to external clients on demand via Internet.
Virtual machine (VM) is one of the most typical resources in cloud computing. The resource scheduling and allocation not only are related to quality of service (QoS) [4–6], but also can affect the profits of the cloud service provider directly. At present, resource scheduling has become the hot issue in the field of cloud computing, and a series of resource scheduling algorithms [7–21] have been presented by the scholars both at home and abroad.

5- Conclusions

Based on the traditional VM resource scheduling algorithms in cloud computing, an adaptive VM resource scheduling algorithm is proposed in this paper, which takes the network bandwidth resource, the auction deadline and the payment prices into consideration. Experimental results indicate that the proposed algorithm has remarked priorities in terms of the service quality of the cloud environment, the profits of cloud service providers and the resource utilization rate of VM. How to further optimize the performance of the algorithm will be the focus of our future work.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

الگوریتم زمانبندی منابع ماشین مجازی برای محاسبات ابری بر اساس مکانیسم مزایده

Virtual machine resource scheduling algorithm for cloud computing based on auction mechanism

مدیریت ماشین مجازی بر اساس شبکه تعریف شده نرم افزار (SDN) برای مراکز داده ابر

SDN-based Virtual Machine Management for Cloud Data Centers

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

مدیریت ماشین مجازی بر اساس شبکه تعریف شده نرم افزار (SDN) برای مراکز داده ابر

SDN-based Virtual Machine Management for Cloud Data Centers

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

بهینه سازی ازدحام ذره پیشرفته برای زمان بندی وظیفه در محیط های رایانش ابری

Enhanced Particle Swarm Optimization For Task Scheduling In Cloud Computing Environments

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

کنفرانس بین المللی ارتباطات، مدیریت و فناوری اطلاعات – International Conference on Communication, Management and Information Technology

تصویری از مقاله ترجمه و تایپ شده در نرم افزار ورد

بهینه سازی ازدحام ذره توسعه یافته جهت زمان بندی وظیفه در محیط های محاسبات ابری

Enhanced Particle Swarm Optimization For Task Scheduling In Cloud Computing Environments

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

عملکرد و مدلسازی انرژی برای مهاجرت زنده ماشین های مجازی

Performance and Energy Modeling for Live Migration of Virtual Machines

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.

عملکرد و مدلسازی انرژی برای مهاجرت زنده ماشین های مجازی

Performance and Energy Modeling for Live Migration of Virtual Machines

• برای دانلود رایگان مقاله انگلیسی با فرمت pdf بر روی عنوان انگلیسی مقاله کلیک نمایید.
• برای خرید و دانلود ترجمه فارسی آماده با فرمت ورد، روی عنوان فارسی مقاله کلیک کنید.