دانلود رایگان ترجمه مقاله تخصیص منابع دینامیکی در رایانش ابری (آی تریپل ای ۲۰۱۵)

مبتدی (مناسب برای درک مفهوم کلی مطلب) 

اس پاندی [۲] یک روش برنامه ریزی اکتشافی برای بهینه سازی هزینه های نقشه برداری منابع وظیفه بر اساس راه حل از روش بهینه سازی ازدحام عملی ارائه داد، PSO تاثیر الگوریتم هوشمند توسط رفتار اجتماعی حیوانات مانند یک گله از پرندگان در حال پیدا کردن یک منبع مواد غذایی و یا یک دسته ماهی درحال دفاع از خود در برابر شکارچی است. یک ذره در PSO شبیه به یک پرنده و یا یک ماهی است که در یک فضای جنبش تحقیق هر ذره از یک سرعت حرکت هر یک از ذرات تشکیل شده است که و با سرعتی هماهنگ است که دارای بزرگی و جهت است. هر موقعیت ذرات در هر نمونه از زمان تحت تاثیر بهترین موقعیت و بهترین جایگاه ذرات در یک فضای مسئله است. عملکرد یک ذره با یک مقدار تناسب اندازه گیری می شود که مختص مسئله است. ارزش تناسب در این الگوریتم استفاده می شود که بهترین موقعیت برای ذرات است. PSO یک روش اکتشافی برنامه ریزی برای نرم افزار برنامه ریزی پویا است.
وینسنت سی امیکاروا [۳] یک روش اکتشافی برنامه ریزی با هدف تخصیص برای ماشین های مجازی بر اساس مدت سطح SLA و شرایط آن ارائه داد. این امر بر استقرار منابع فیزیکی بر اساس قابلیت دسترسی منابع تمرکز دارد، به طوری که نقض SLAرا با استفاده از این روش کاهش می دهد. یک متعادل کننده بار یکپارچه برای بهره برداری از منابع بالا و کارآمد در محیط محاسباتی ابری فراهم می کند. الگوریتم استراتژی تعادل بار محلی فراهم می کند و پدیده تخصیص منابع جهانی برای بهره برداری از منابع بهتر در محیط ابری است.
چاندراشخار اس. پاوار [۴] نشان دهنده یک الگوریتم برای اولویت مبتنی بر استراتژی تخصیص منابع پویا در محیط ابری است، برنامه ریزی اصلاح شده اکتشافی برای اجرای بالاترین اولویت را فراهم می کند که به عنوان AR (رزرو پیشرفته) برای ممانعت از بهترین کار تلاش پیشدستانه است. این الگوریتم اجرای مناسب در محیط چند ابری را ارائه می کند. می توان در مجموعه ای متفاوت از مشاغل بیش از اجرای ابر های متعدد آن را اجرا کرد. درخواست های مختلف را می توان در حالت AR برای اهدافSLA اجرا کرد.
ژن شیائو [۵] طراحی و پیاده سازی یک سیستم مدیریت منابع خودکار را ارائه می دهد که می تواند برای جلوگیری از بار بیش از حد در سیستم باشد، در حالی که با به حداقل رساندن تعداد سرور های استفاده شده، مفهوم اندازه گیری چولگی کارکرد تبدیل سرور و کارکرد اصلاحی محدودیت منابع چند بعدی را معرفی می کند. یک الگوریتم پیش بینی بار که می تواند آینده کاربردهای منابع برنامه بدون جزئیات داخلی را حدس بزند، طراحی کنید.
دوریان مینارولی و برند فریزلبن تخصیص منابع VM در محاسبه ابری از طریق کنترل فازی چند عامل با متمرکز بر منبع پویایی تخصیص VM محلی بر روی هر دستگاه فیزیکی یک ارائه دهنده ابری و در نظر گرفتن حافظه و CPU به عنوان منبع ارائه دادند که می تواند مدیریت شود. کنترل فازی برای کوچک کردن یک تابع مطلوبیت جهانی به عنوان n یک محاسبه سریع اکتشافی بر اساس قوانین فازی اجرا شد. ملاحظات مسئله این است که چگونه منابع از یک ارائه دهنده ابری باید VM را به صورت پویا دوباره تخصیص دهد که تغییرات بارکاری برای نگه داشتن عملکرد با توجه به SLA است.

۳٫ استراتژی برنامه ریزی و مسائل طراحی
در این بخش ما نموداری بر اساس محیط ابری و برنامه ریزی اکتشافی پیشنهاد می دهیم. الگوریتم پیشنهادی ما به طور کلی در منابع SLA بر اساس تأمین و برنامه ریزی تطبیقی آنلاین برای قابلیت پیشدستی پیشرفته به منظور اجرای وظیفه است. دو گام اساسی برای استفاده موثر از منابع ابری مورد نیاز است که به اهداف SLA می رسد.

A. تخصیص منابع و استقرار نرم افزار
سه نوع لایه وجود دارد که ترکیبی برای استفاده در تأمین منابع برای سرویس درخواست کاربر است. به طور کلی به عنوان مدل های سرویس در محاسبات ابری شناخته شده است. IaaS، SaaS و PaaS.

در “شکل ۱” چگونگی ارتباط با مشتری ابری با ارائه دهنده ابری برای استفاده از خدمات مختلف را نشان می دهد. شرایط SLA و شرایط باید برای اولین بار تامین شود. سه نوع لایه در نمودار آورده شده وجود دارد: لایه خدمات، لایه کنترل و لایه های منابع فیزیکی. لایه کنترل منابع تخصیصی و مجازی سازی، لایه منابع شامل منابع فیزیکی درون یک ابر، لایه خدمات شامل سه نوع از خدمات IaaS، PaaS و SaaS را کنترل می کند.
SaaS (نرم افزاری به عنوان یک سرویس) برنامه های کاربردی و نرم افزار مورد در خواست کاربر را تحویل می دهد که توسط شخص ثالث اداره می شود. در هر مرحله شامل برنامه های کاربردی، مجازی سازی، زمان اجرا، QOS، سرور و مدیریت ذخیره سازی توسط فروشنده است.
PaaS (پلت فرمی به عنوان یک سرویس) پلت فرمی را به برای توسعه نرم افزار، با استفاده از سرویسهای Paas پلت فرم با توجه به درخواست کاربر برای هدف توسعه ارائه شده تحویل می دهد.
IaaS (زیرساخت به عنوان سرویس( منابع محاسباتی در مورد در خواست کاربر ارائه می کند؛ مانند فیزیکی یا VM ها، ذخیره سازی مبتنی بر فایل، متعادل کننده بار و فایروال.
تامین ابر و مدل استقرار نرم افزار [۳] در شکل [۲] نشان داده شده است. از سه نوع مدل خدمات ترکیب شده اند. در هر لایه، شامل مسئولیت هایی برای تأمین منابع برای رسیدن به اهداف SLA است. همانطور که در شکل [۲] مشتری درخواست های خود را به پورتال خدمات می دهد (مرحله ۱). پورتال خدمات درخواستی آنها را برای پردازش و بخش مدیریت برای بررسی اعتبار سنجیمی گذراند (مرحله ۲). اگر درخواست اعتباری داشته باشد، پس آن را باید برای زمانبندی به جلو فرستاد و متعادل کننده بار را تأمین برای منابع مناسب فرستاد(مرحله ۳). متعادل کننده بار موتور تأمین لایه PaaS برای انتخاب VMمناسب است و تأمین خدمات در حال اجرا مجازی ماشین آلات را متعادل می کنند (مرحله ۴). لایه مجازی سازی برای مدیریت ماشین مجازی و تعامل با منابع فیزیکی با استفاده از لایه laas موتور تامین استفاده می شود )مرحله ۶ ).
ماتریکس منابع سطح پایین و منابع فیزیکی در لایه IaaS با چارچوب LoM2HiS نظارت می شوند (مرحله ۶). اگر نقض SLA رخ دهد، اقدامات واکنشی توسط تکنیک های پایگاه داده دانش در FoSII (مرحله ۷) ارائه می شوند. وضعیت خدمات درخواستی و اطلاعات SLA با پورتال خدمات مجدداً ارتباط بر قرار می کنند (مرحله ۸(.
تأمین ذخیره را می توان در تک لایه به تنهایی انجام داد. اما روش و الگوریتم ما برای ارائه استراتژی برنامه ریزی منابع یکپارچه هدفمند شده است. بنابراین ما سه لایه را در نظر می گیریم. لایه LaaS مسئول مدیریت منابع فیزیکی است. لایه PaaS مسئولیت گسترش و مدیریت VM است که با منابع فیزیکی با توجه به توافق SLA با مشتریان نقشه کشی می شود.

در شکل ۳ برنامه ریزی منابع محلی و جهانی بین ابرها متعدد نشان داده شده است، همانطور که در برنامه ریزی ابر دیدیم، n عدد از کاربران وجود دارند که می تواند هر گونه درخواست زمان برای تامین کننده ابری ارائه دهند، اگر تمام منابع ابر فعلی در یک زمان مشغول باشند و درخواست جدید با اولویت بالا برسد، پس ارائه دهنده ابر باید درخواست را در لیست انتظار قرار دهد، بنابراین در اینجا یک راه حل ارائه شده در این الگوریتم برای برنامه ریزی و توزیع درخواست کاربر بطور موثر در سراسر ابرها و پیشدستی منابع از اولویت کم به اولویت بالا وجود دارد. الگوریتم ارائه شده همچنین قادر به بررسی تحمل خطا در سیستم ابری است.