خدمات با در نظر گرفتن هزینه و عملکرد الگوریتم های بارگزاری متعادل در ابر

Cost-aware service brokering and performance sentient load balancing algorithms in the cloud

مبتدی (مناسب برای درک مفهوم کلی مطلب)

F2143

الگوریتم بارگزاری ابر را، بر اساس انواع مختلف شرایط برنامه ریزی برای ابر های ترکیبی، ارائه میدهد.نتایج شبیه سازی کارشان نشان میدهد که این الگوریتم بارگزاری، درآمد بارگزاری را به حداکثر رسانده و باعث رضایت کاربران میشود.محققان مکانیزم های صرفه جویی انرژی را به منظور افزایش درآمد کارگزاران، به کار میبرند.Akhter and Othman (2014) شروطی برای ماشین مجازی در غالب یک روش مصرف انرژی برای مرکز داده پیشنهاد دادند، و استراتژی های مختلفی را ترکیب کردند Akhtar and Othman,2016) ).
Kessaci et al., (2013) کاهش به الگوریتم ژنتیک چند هدفه را برای بارگزاری ابر(MOGACB) پیشنهاد دادند، که برای رضایتمندی مشتری و سود کارگزار نشانه گرفته شده است.آنها همچنین ذکر میکنند که رضایت مشتری بیشتر مربوط به زمان پاسخ است تا موارد دیگر.
هدف از بارگزاری متعادل ابر، افزایش سرعت اجرای برنامه هاست.مطالعات متعددی روی بارگزاری متعادل در چند سال گذشته انجام گرفته است.Fang et al., (2010) درباره دو وظیفه برنامه ریزی برای استفاده از منابع بالا بحث میکند.برنامه پیشنهادی و برنامه ریزی سطح وظایف ماشین مجازی توسط برنامه Cloudsim که یک چاچوب شبیه سازی tool kitsimulation است، اثبات شده است.به هرحال عواملی مانند پهنای باند و هزینه را در کارشان، در طول دوره ی زمانی توازن بار در نظر نگرفته اند.
Randless و همکاران در سال ۲۰۱۰ بر اساس یک نمونه گیری تصادفی برای یک رفتار قدیمی و تعادل بارگیری خوشه بندی های فعال، با الهام از زنبور عسل تکنیک بارگزاری متعادل را پیشنهاد دادند.الگوریتم پیشنهادی آنها برای یک محیط ابری همراه با گره های نا همگن گسترش یافت اما روی یک سیستم با مقیاس کوچک شبیه سازی شد.توازن بارگزاری بر اساس دور رابین و تورینگ توسط Wickremasinghe و همکارانش در سال ۲۰۱۰ ارائه شد.آنها روی رفتار برنامه ای مطالعه میکردند که توسط شبیه سازی در یک محیط رایانش ابری در مقیاس عظیم گسترده شده بود.به هر حال کارایی توازن بار میتوانست بیشتر افزایش یابد، به طوری که در الگوریتم پیشنهادی ما نشان داده شده است.
منابع توازن بار ماشین مجازی از یک الگوریتم ژنتیک که توسط Hu و همکارانش در سال ۲۰۱۰ ارائه شده، استفاده میکند.این الگوریتم به عدم توازن بار و مشکلات هزینه مهاجرت، در الگوریتم های قدیمی پیشنهاد شده در کار های قبلی، میپردازد.به هر حال، مکانیزم مدیریت و نظارت هنوز برای تغییرات پویای ماشین های مجازی مورد نیاز است.
Wangetal در سال ۲۰۱۰ به طور فرصت طلبانه، بارگزاری متوازن و بارگزاری متوازن حداقل-حداقل را پیشنهاد میکند که الگوریتم های زمانبندی استاتیک برای سیستم بارگزاری متوازن است.این الگوریتم ها برای سه سطح از شبکه رایانش ابری گسترش یافته است.مدیر درخواست و مدیر خدمات و گره های سرویس، سه جزء از معماری در چارچوب آنهاست.بارگزاری متوازن فرصت طلبانه تاش میکند تا کل سیستم را هنگام اجرا مشغول کند، زمانی که الگوریتم بارگزاری متوازن حداقل-حداقل زمان اجرا را به حداقل میرساند.
Maguluri و همکارانش در سال ۲۰۱۲ یک مدل تصادفی برای بارگزاری متوازن ارائه کردند که شامل محاسبات خوشه ها و تمرکز روی بارگزاری متوازن، در میان سرور هاست.آنها نشان میدهند که زمانبندی بهترین تناسب، بازده مطلوبی ندارد.بر اساس معیار های بهینه سازی مختلف، و محدودیت های کاربر، Lucas-Simarro و همکارانش در سال ۲۰۱۳ یک بارگزاری متوازن و الگوریتم زمانبندی برای ابر های مختلف ارائه دادند.ضمناکار آنها در الگوریتم پیشنهادیشان، هزینه بهره وری و بهبود کارایی را نشان میدهد.
یکی دیگر از الگوریتم های بارگزاری متوازنی که از زنبور عسل الهام گرفته شده، توسط Krishna در سال ۲۰۱۳ ارائه شده است.این الگوریتم، ماشین های مجازی در سرتاسر آن، به بارگزاری متوازن مجهز میکند و کارایی را به حداکثر میرساند و زمان وظایفی که در صف هستند را به حداقل میرساند که منجر به بهبود قابل توجهی برای زمان اجرای متوسط، میشود.این کار بیشتر تمرکز خود را به جای عوامل Qos، روی اولویت وظایف میگزارد.
اولین کار ما روی بارگزاری متعادل توسط Nahaand Othman در سال ۲۰۱۴ ارائه شده است.دور رابین و سرور وابستگی توسط Mahajan و همکارانش در سال ۲۰۱۳ ارائه شده است.نویسندگان عملکرد الگوریتم را توسط یک الگوریتم بارگزاری متعادل کارآمد، بهبود بخشیده اند.به هر حال، از آنجایی که تشخیص تاثیر بیشینه و کمینه شدن ساعات بارگزاری متوازن، بدون حداقل یک روز کاری، امکان پذیر نیست، در این نوع شبیه سازی ها، برنامه ای که برای یک ساعت بارگزاری میشود، ممکن است منجر به نتایج دقیقی نشود.بارگزاری متوازنی که از مدل پرواز آتشین استفاده میکند، در سال ۲۰۱۴ توسط Florence و Shanthi ارائه شد.شبیه سازی این مدل در یک محیط با مقیاس کوچک انجام شد.الگوریتم های وظایف ماشین مجازی مربوط به بازگزاری است را Domanal و Reddy در سال ۲۰۱۴ ارائه کردند.پاسخ الگوریتم را در یک مورد پویا و حجم کاری ترکیبی، مشخص کردند.Sun و همکارانش در سال ۲۰۱۴ یک تجزیه و تحلیل جامع روی یک رویکرد انتخابی از خدمات ابری انجام دادند و یک شکاف تحقیقاتی بالقوه در سرویس ابری انتخابی، یافتند.
۳٫مدل های سرویس ابری
۱-۳٫مدل های لایه ای سرویس های ابری
IaaS ، PaaS و SaaS سه تا از ساده ترین لایه های سرویس ابری است.شکل ۱ مدل سرویس ابری را نشان میدهد.بالاترین لایه، لایه ی SaaS است که مرتبط با الزامات اجرای برنامه است.این لایه الزامات پلتفرم را برای برنامه ترجمه میکند و به لایه ی PaaS میفرستد.
سپس لایه ی PaaS یک کتابخانه گسترش یافته شامل محیط اجرای برنامه، مقیاس گزاری و جداسازی برنامه را آماده میکند.این لایه از طریق یک واسطه ی سنتی عمل میکند، و یک پل بین زیر ساخت و نیاز های برنامه ایجاد میکند.اما ساختار حقیقی مانند، ماشین های مجازی مورد نیاز را تعیین نمیکند.با این حال، نمای بالاتری از واحد های اجرایی مانند، موضوعات، فرآیند و وظایف را نشان نمیدهد.Microsoft Azure و Google App Engine نمونه هایی در دنیای واقعی از سرویس های ابری هستند.
لایه ی IaaS با تعدادی از فرآیند ها سر و کار دارد مانند اندازه دیسک، ماشین مجازی و اتصال شبکه.این لایه تامین منابع مجازی را تعیین میکند.کارگزاران هر ابر نگران این هستند که با در دسترس بودن منابع سیستم، و اطلاع از هزینه های منابع، و کارایی زمان اجرا، نسبت به کارگزاران دیگر چگونه است.الگوریتم پیشنهادی ما برای کارگزاران در لایه ی IaaS ارائه شده است.کارگزاری در لایه های SaaS و PaaS نسبت به معیار های متمایز اجراییشان، باهم تفاوت دارند.کارگزاری لایه ی SaaS بر اساس SLA و نیاز های کاربر است در حالی که کارگزاری لایه ی PaaS بر اساس زمان و پشتیبانی استقرار است.