دانلود رایگان ترجمه مقاله بررسی کشش ابری (اسپرینگر ۲۰۱۶)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

۳٫ خلاصه روش‌های موجود
در این بخش، با توجه به روش‌های اصلی، روشی را با جزئیات برای هر بعد طبقه‌بندی ارائه می‌دهیم.

۳٫۱٫ محدوده
اولین جنبه بعد محدوده نشان می‌دهد که چه کسی مسئول مکانیسم ارتجاعی است. در چنین طرحی، روش ارتجاعی همراه با زیرساخت ابر هسته است و روش‌های مربوطه به عنوان ابر ارائه دهنده خاص تعریف شده‌اند. به عنوان مثال، [۳۷] بر پایه ابزاری است که در بالای زیرساخت‌های IaaS نصب شده است، سیستم DejaVu در [۶۸] قابلیت این زیرساخت‌ها را گسترش داد. مجموعه دیگر پیشنهادات به امتیاز خاصی برای منابع (به عنوان مثال، [۵۴] به ماژول KVM سفارشی و رابط وابسته است، [۲۱] در‌ OpenStack تجمیع شده است و [۶۱] ولتاژ و فرکانس CPU را تنظیم می‌کند) و دسترسی به اطلاعاتی نیاز دارند که تنها ارائه‌دهنده ابر قادر به ارائه آن است (به عنوان مثال، [۵۰] به اطلاعات محلی دستگاه فیزیکی وابسته است). با این وجود، بیشتر پیشنهادات، ارتجاع پیشرفته‌ای را برای خدمات مبتنی بر ابر بدون در نظر گرفتن تعمیم ویژگی‌های ارتجاعی خدمات ابر ارائه می‌دهند؛ آنهایی که در ارتباط با ارائه‌دهندگان خدمات تعیین می‌شوند.
با توجه به نوع کاربردی که پیشنهادات بر آن متمرکز شده‌اند، اکثر آنها مستقل از برنامه کاربردی چندمنظوره هستند و یا برای برنامه‌های کاربردی چندمنظوره مبتنی بر وب طراحی شده‌اند. اکثر پیشنهادها از مدیریت ارتجاعی تمام سه سطح برنامه وب (یعنی، وب سرور، سرور برنامه، سرورهای ذخیره‌سازی) پشتیبانی می‌کنند، به جز در [۱۸ و ۳۲] که تنها قابلیت ارتجاعی سطح سرور برنامه را مدیریت می‌کنند، و [۶۲ و ۶۸] که به سادگی خدمات وب را مورد هدف قرار می‌دهند. بخش قابل توجهی از پیشنهادات ارتجاعی، ناحیه NoSQL را مورد هدف قرار می‌دهند. روش‌ها در این گروه سیستم- خاص (به عنوان مثال، [۲۳] اهداف Cassandra، [۲۷] هدف HBase، [۵۸] اهداف بی‌انتها، در حالی که [۴۷] HDFS را در نظر می‌گیرد) و یا قابل اجرا برای مجموعه بزرگی از سیستم‌های NoSQL مانند Cassandra، HBase، Voldemort و Infinispan [15، ۴۱، ۴۵، ۵۳ و ۶۴] هستند. در [۲۰، ۳۱ و ۵۹] انعطاف‌پذیری در پایگاه‌‌های داده‌ ارتباطی در نظر گرفته می‌شود. [۲۰ و ۳۱] را می‌توان در هر پایگاه داده ارتباطی مورد استفاده قرار داد زیرا موتور پایگاه داده را اصلاح نمی‌کنند، در حالی که در [۵۹] موتور پایگاه داده برای پشتیبانی از حرکت‌های زنده با الهام از روش [۳۰] اصلاح می‌شود. در پایان روش منفردی وجود دارد که به عنوان Storage دسته‌بندی می‌شود [۱۹]، که در آن قابلیت ذخیره‌سازی ارتجاعی عملکرد ذخیره‌سازی ماشین مجازی از طریق روش‌های ذخیره‌سازی در نظر گرفته می‌شود.

۳٫۲٫ هدف
تمامی روش‌های موجود در جدول ۱ به منظور بهبود عملکرد می‌باشد. تنها [۵۵] استثنا است که در آن هدف ارتجا دستیابی را از طریق استفاده از ارائه‌دهندگان چندابری افزایش می‌دهد. هدف عملکرد می‌تواند ثابت باشد (به عنوان مثال، در توافق سطح خدمات یا به عنوان آستانه تعریف شده توسط کاربر تعریف شود) و یا به عنوان ناظر مستمر و بهینه‌سازی ابزار سیستم بیان شود. در چنین کارهایی، کاهش هزینه‌های مالی به طور غیرمستقیم از طریق استفاده از منابع کمی در نظر گرفته می‌شود که عملکرد را به طور قابل قبولی حفظ می‌کنند. در [۳۵ و ۳۶]، هدف هملکرد با ارائه تضمین‌های دسترسی همراه است.
برخی از پیشنهادات به صراحت با هدف کاهش هزینه مالی بیان شده‌اند. به طور خاص در [۲۹، ۳۶ و ۵۷] برآورد هزینه برای مقیاس در درون یا خارج ابر به کار گرفته شد، در حالی که در [۲۵] از تخمین‌های مشابه برای انتخاب میان گسترش در زیرساخت ابر عمومی یا خصوصی استفاده می‌شود و در [۶۲] تحلیل بازده سرمایه‌گذاری (ROI) پیش از گسترش حقیقی ارائه می‌شود. در سایر روش‌ها قابلیت ارتجاعی بنا بر محدودیت بودجه است. به طور خاص، [۶۶] در صورتی که حداکثر هزینه بیش از هزینه قابل دسترس باشد، مانع مقیاس‌گذاری می‌شود، [۲۲] اجرای تنظیم مجدد برنامه (یعنی، پاسخ‌های سرور متنی برای صرفه‌جویی در پهنای باند) را حفظ می‌کند تا هزینه‌ها پایین‌تر از حد بودجه باقی بماند و [۳۲] دسته‌بندی بودجه (یعنی، دسته‌بندی فلزات: طلا/ نقره/ برنز) را ارائه می‌دهد که محدودیت‌های مقیاس‌گذاری منابع را تنظیم می‌کنند. در پایان، [۱۸] تلاش می‌کند تا چندین برنامه کاربردی را در ماشین‌های مجازی هماهنگ کند تا هزینه تأمین شده را کاهش دهد.
علاوه بر این، دو مقاله وجود دارد که صرفه‌جویی در انرژی را با هدف عملکرد در نظر گرفته‌اند. در [۵۰] حرکت زنده به کار گرفته می‌شود تا همانند بسیاری از ماشین‌ها در حالت خواب تنظیم شود، در حالی که در [۶۱]، منابع ماشین‌های مجازی برای مقادیر ولتاژ و فرکانس پویا برای صرفه‌جویی در انرژی مورد استفاده قرار می‌گیرند.

۳٫۳٫ تصمیم‌گیری
راه‌اندازی فرایند تصمیم‌گیری. مقالات به (۱) واکنشی، (۲) پیشگیرانه و (۳) ترکیب واکنش‌پذیر و پیشگیرانه تقسیم می‌شوند. از یک طرف، روش‌های واکنشی معمولاً بر پایه پیگیری مستمر معیارهای ویژه و اعتبارسنجی قوانین مبتنی بر آستانه استوار هستند. فرایند تصمیم‌گیری اغلب با تخلف از آستانه منفرد به وجود می‌آید. با این وجود، فرایند تصمیم‌گیری تنها پس از یک دوره مشخص می‌تواند آستانه را نقض کند (به عنوان مثال، [۵۵ و ۵۷]) و یا تعداد ارزیابی‌های نقض‌ شده را برای پرهیز از واکنش بیش از حد از قبل تعیین کند (به عنوان مثال، [۲۱]). از سوی دیگر، روش‌های پیشگیرانه مکانیزمی هستند که برای پیش‌بینی تنوع بار آینده و یا رفتار آتی سیستم مورد استفاده قرار می‌گیرند. با این وجود، روش‌های صرفاً پیشگیرانه از این واقعیت رنج می‌برند که قادر به مقابله با افزایش ناگهانی بار کاری نیستند. برای غلبه بر این نگرانی، در مقالاتی مانند [۱۷، ۲۰ و ۴۳] روش ترکیبی در نظر گرفته شده است. علاوه بر این، در [۱۶ و ۳۸] پیشنهاد شد که از روش‌های واکنشی برای مقیاس‌بندی خارجی و از روش‌های پیشگیرانه برای مقیاس‌بندی داخلی استفاده شود. برای اولین بار از سازگاری سریع برای خوشه حجم کار استفاده شد. همچنین مقالاتی وجود دارند که از روش‌های واکنشی در حالتی استفاده می‌کنند که مکانیسم پیشگیرانه از تصمیم‌گیری نامطمئن است [۶۱]، یا پیش‌بینی کننده به اندازه کافی برای تصمیم‌گیری مناسب آموزش ندیده است [۵۱ و ۵۲]. [۶۲] ترکیبی از روش‌های واکنش‌پذیر و پیشگیرانه را ارائه داد که در ادامه بر پایه روزانه فعال می‌شوند. در پایان، در [۱۹] روش‌های واکنش‌پذیر و پیشگیرانه‌ای ارائه شدند که به طور همزمان فعال نیستند اما می‌توان هر یک از آنها را به طور جداگانه پشتیبانی کرد.

مکانیسم تصمیم‌گیری. در بخش قبلی از روش‌های اصلی استفاده شده در تصمیم‌گیری ارتجاعی استفاده کردیم. در اینجا، این موضوع را دقیق‌تر توضیح می‌دهیم، ابتدا کاربرد روش‌های متداول و سپس روش‌های ترکیبی را شرح می‌دهیم.
با این وجود، روش‌های متناظر لزوماً ساده نیستند. به عنوان مثال، [۱۷] از دسته مدل‌های پیش‌بینی به طور همزمان استفاده می‌کند تا برآورد بار و نقاط آستانه بالقوه آتی را بررسی کند. همچنین، [۲۰] از مدل پیش‌بینی برای برآورد بار برای مقیاس پیشگیرانه بر پایه قوانین مشخص استفاده می‌کند. مدل‌سازی سیستم به طور کلی سیاست‌های تصمیم‌گیری را بهبود می‌بخشد. در [۴۹]، سیستم به عنوان صفی از مشاغل مدل‌سازی شد و به اقدامات انعطاف‌پذیری در زمان ورود یا تکمیل شغل منتهی شد. دو روش مبتنی بر قواعد مبتنی بر مدل‌های سیستم غیربدیهی هستند [۳۵]، که در آن سیستم به طور خودکار در حالت‌های مختلف به دلیل اجرای قانون مدل‌سازی می‌شود و در [۲۵] حالتی در نظر گرفته شد که در آن مدل گراف، تأثیر قوانین ارتجاعی را در کل سیستم پذیرفته است. به عنوان مثال نهایی، در [۳۹] روش مبتنی بر قاعده فازی ارائه شد که در آن کاربر قوانین را در فرمی مشخص می‌کند: «اگر بار کاری بالا باشد، و زمان پاسخ کند باشد، آنگاه دو ماشین مجازی بیشتر به منابع موجود افزوده می‌شوند»، بدون نیاز به توصیف ارزش‌های «بالا» و «کند»؛ این ارزش‌ها بر پایه اطلاعات ارائه شده توسط ذی‌نفعان فنی محاسبه می‌شوند.
سیاست مبتنی بر بهینه‌سازی ریاضی/ آماری. این روش‌ها مسأله ارتجاعی را به عنوان بهینه‌سازی مدل‌سازی می‌کنند. در [۳۲] روش مقیاس‌پذیری بهینه به پیروی از روش شاخه‌ای ارائه شد و پس از انجام تحلیل سری‌های پیچیده به پیش‌بینی بار اضافی آتی محدود شد. در [۲۲]، تصمیم‌گیری واکنش‌پذیر مسأله حداکثر رساندن را در برنامه‌های دینامیکی کاهش می‌دهد؛ این روش از مدل صف به عنوان مرحله پیش‌پردازش برای تعیین مزایای بالقوه اشتغال انواع الگوریتم‌های مختلف برای خودسازگاری استفاده می‌کند. روش [۵۰] به بررسی‌های برنولی کمک کرد تا ماشین مجازی مناسب را برای هدایت حرکت زنده پیدا کنند. در پایان، بهینه‌سازی به مدل‌سازی سیستمی اشاره می‌کند که پس از آن ارتجاع را در اختیار می‌گذارد؛ به عنوان مثال، [۵۴] از پروفایل‌های آنلاین و منحنی مناسب برای تولید مدل عملکرد استفاده کرد که قادر به پیش‌بینی آن است که آیا برنامه در حالت تناقض با هدف است یا خیر.
سیاست مبتنی بر یادگیری ماشین. یادگیری ماشین معمولاً در تصمیم‌گیری ارتجاعی مورد استفاده قرار می‌گیرد. [۶۸] مدل سیستم را در قالب طبقه‌بندی ارائه داد، در حالی‌که خوشه‌ها در گروه‌های نمایشی نیز کار می‌کنند. تصمیم‌گیری‌های ارتجاعی قبلی برای گروه مشابه در تصمیم‌گیری‌های آتی تأثیر می‌گذارند. روش [۳۱] مشابه است. در [۶۳] مدل پیش‌بینی مبتنی بر زنجیره مارکوف برآوردهایی را ارائه داد که به طبقه‌بندی چندمتغیره برای دسته‌بندی حالت‌های عادی یا غیرعادی آتی می‌پردازند و اقدامات ارتجاعی را مطابق با آن انجام می‌دهند. مثال روش‌های پیشرفته‌تر در [۴۱، ۴۵ و ۶۴] ارائه شده است که در آنها روش Q-Learning از محاسبه ارزش‌های حالت بهینه به منظور حل غیرمستقیم مدل تصمیم‌گیری مارکوف (MDP) برای توصیف سیستم پیروی می‌کند.
سیاست‌های تئوری کنترل. تئوری کنترل حوزه علمی است که قادر به ارائه راه‌حل‌های محاسباتی ارادی است و با سیاست‌های ارتجاعی خاصی در نظر گرفته می‌شود. به عنوان مثال، [۶۰] از روش تئوری کنترل استفاده کرد که در آن نمایشگر مدل‌سازی صف در سیستم ایجاد می‌شود و پیش‌بینی کننده را نیز به کار می‌گیرد. همچنین در [۴۰] نمونه از کاربرد فیلترهای کالمن و کنترل بازخورد حاصل از ارتجاع ارائه شد. در پایان، در [۱۶] روش کنترلی با ترکیب سیاست‌های فعال و واکنشی مورد بررسی قرار گرفت. همانند سایر مقالات مشابه؛ زیرساخت ابر به عنوان صف مدل‌سازی می‌شود، در حالی که برآوردکنندگانی برای بار اضافی خارجی در نظر گرفته می‌شود.
سیاست‌های ترکیبی. سیاست‌های ذکر شده مطابق با ماژول‌های تصمیم‌گیری است که یکی از مکانیسم‌های مشخص شده را استفاده می‌کنند. با این وجود، روش‌های ارتجاعی اغلب چند مکانیسم را به کار می‌گیرند، همان‌طور که در ادامه بررسی می‌شود.
شایع‌ترین روش ترکیبی، ترکیب قوانین با یکی از مکانیسم‌های آزاد است. قوانین می‌توانند به طور مؤثر راه‌حل‌های تئوری کنترل را گسترش دهند. بر مثال، در [۴۷]، کنترل‌کننده یکپارچه‌ای ارائه شد که بر پایه آستانه مناسب به صورت پویا از آستانه برای تنظیم CPU بالا و پایین مورد استفاده در تصمیم‌گیری‌های ارتجاعی استفاده می‌کند. در [۱۸]، رگرسیون خطی برای پیش‌بینی بار آتی مورد استفاده قرار گرفت و سپس مقادیر پیش‌بینی شده در مدل سازگار با متغیر وابسته به کنترل‌کننده متناسب آزاد مورد استفاده قرار گرفتند. تصمیمات نهایی درباره تعداد ماشین‌های مجازی که باید اضافه یا حذف شوند بر پایه سیاست مبتنی بر قانون اتخاذ می‌شوند. قوانین را می‌توان با روش‌های یادگیری ماشین ترکیب کرد. نمایش این دسته ترکیبی در [۵۱ و ۵۲] اراه شده است، که در آن سه مدل از ابزار WEKA برای حمایت از تصمیم‌گیری استفاده می‌کنند. مدل اول، پیش‌بینی کننده سری زمانی است که حجم کار آتی را پیش‌بینی می‌کند. مدل دوم، مدل بیز است که به طور قابل ملاحظه‌ای به روزرسانی می‌شود و رابطه میان بار کار فعلی و روش دسته‌بندی نقض آستانه را می‌آموزد، و مدل سوم نیز یک مدل نوآوری بیز است که تعداد مطلوب ماشین‌های مجازی را برآورد می‌کند.