ترکیب مدل‌های پیش بینی و روش‌های اکتشافی برای جای‌گذاری ماشین‌های مجازی با هدف کاهش نقض توافق سطح سرویس در محیط ابر

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 دانشکده مهندسی برق و کامپیوتر، دانشگاه آزاد اسلامی قزوین، قزوین، ایران

2 دانشکده مهندسی برق و کامپیوتر، دانشگاه شهید بهشتی، تهران، ایران

3 دانشکده مهندسی کامپیوتر و فناوری اطلاعات، واحد قزوین، دانشکده آزاد اسلامی، قزوین، ایران

چکیده

امروزه با افزایش مراکز داده ابر مصرف برق افزایش یافته و مدیریت زیرساخت ابر نیز پیچیده‌تر شده است. از طرف دیگر برآورده کردن نیازهای کاربران ابر از اهداف مهم در زیرساخت ابر می‌باشد. فرآیند تعیین وضعیت بار ماشین‌های فیزیکی و جای‌گذاری ماشین‌های مجازی روی ماشین‌های فیزیکی مناسب می‌تواند مصرف انرژی را کاهش دهد و از نقض توافق سطح سرویس کاربران جلوگیری ‌کند. برای حل این‌گونه مسائل، یک راهکار جای‌گذاری ماشین‌های مجازی با توانایی پیش‌بینی مورد نیاز است تا ماشین‌های مجازی را به طور کارا در زمان اجرا در میزبان‌های مناسب قرار دهد. راهکارهای فعلی عمدتاً از یک مدل پیش‌بینی برای پیش‌بینی بار ماشین‌های فیزیکی استفاده کرده‌اند و یا اکثراً تنها به موضوع پیش‌بینی بار میزبان‌ها پرداخته‌اند و مسئله قرارگیری ماشین‌های مجازی را در نظر نگرفته‌اند. هدف این تحقیق ارائه یک راهکار مدیریت منابع ابر است که با استفاده از ترکیب مدل‌های پیش‌بینی رگرسیون، میانگین متحرک و هموارسازی نمایی ساده جهت شناسایی ماشین‌های فیزیکی فرابار و با استفاده از روش‌های اکتشافی مبتنی بر مصرف انرژی، بهرهوری پردازنده، تعداد ماشینهای مجازی و حافظه جهت تعیین ماشین فیزیکی مناسب برای جای‌گذاری ماشین‌های مجازی مهاجر بین کاهش تخطی در توافق سطح سرویس و کاهش مصرف انرژی مصالحه برقرار کند. برای ارزیابی مدل پیشنهادی از شبیه‌ساز cloudsim نسخه 3.0.3 استفاده شده است. نتایج شبیه‌سازی نشان می‌دهد که مدل ارائه شده در مقایسه با روش‌های مشابه به طور میانگین تخطی از توافق سطح سرویس، مصرف انرژی و تعداد مهاجرت‌های ماشین‌های مجازی را به ترتیب 45.65%، 28.96 % و 46.49% کاهش داده است.

کلیدواژه‌ها


[1] S. Basu, G. Kannayaram, S. Ramasubbareddy, "Improved Genetic Algorithm for Monitoring of Virtual Machines in Cloud Environment," Smart Intelligent Computing and Applications, vol. 105, pp. 319-326, 2019.
[2] Anitha Ponraj, "Optimistic virtual machine placement in cloud data centers using queuing approach," Future Generation Computer Systems, vol. 93, pp. 338-344, 2019.
[3] Manoel C. Silva Filho, Claudio C. Monteiro , Pedro R.M. Inácio , Mário M. Freire, "Approaches for optimizing virtual machine placement and migration in cloud environments: A survey," Journal of Parallel and Distributed Computing, vol. 111, pp. 222-250, 2018.
[4] Z. Li, "An adaptive overload threshold selection process using Markov decision processes of virtual machine in cloud data center," Cluster Computing, vol. 22, p. 3821–3833, 2019.
[5] M. Masdari, S.S Nabavi,V. Ahmad, "An overview of virtual machine placement schemes in cloud computing," Journal of Network and Computer Applications, vol. 66, pp. 106-127, 2016.
[6] P. A. Dinda, "Design, implementation, and performance of an extensible toolkit for resource," Parallel Distrib. Syst. IEEE Trans, vol. 17, no. 2, pp. 160-173, 2006.
[7] J. Liang, K. Nahrstedt, and Y. Zhou, "Adaptive multi-resource prediction in distributed resource," in IEEE International Symposium on Cluster Computing and the Grid, Chicago, IL, USA, USA, 2004.
[8] A. Beloglazov , R. Buyya, "Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in Cloud data centers," CONCURRENCY AND COMPUTATION: PRACTICE AND EXPERIENCE, vol. 24, no. 13, pp. 1397-140, 2012.
[9] E. Arianyan;H. Taheri;S. Sharifian, "Novel heuristics for consolidation of virtual machines in cloud data centers using multi-criteria resource management solutions," The Journal of Supercomputing, vol. 72, no. 2, pp. 688-717, 2016.
[10] J. Subirats and J. Guitart, "Assessing and forecasting energy efficiency on Cloud computing platforms," Futur. Gener. Comput. Syst, vol. 45, pp. 70-94, 2015.
[11] M. Ghobaei‐Arani; A. Rahmanian; M. Shamsi ; A. Rasouli‐Kenari, "A learning‐based approach for virtual machine placement in cloud data centers," Int J Commun Syst, vol. 31, no. 8, pp. 1-18, 2018.
[12] F. Alharbi, Yu. Tian, M. Tang, We. Zhang, "An Ant Colony System for energy-efficient dynamic Virtual Machine Placement in data centers," Expert Systems with Applications, vol. 120, pp. 228-238, 2019.
[13] R. Shawa, E. Howleya, E. Barretta, "An energy efficient anti-correlated virtual machine placement algorithm using resource usage predictions," Simulation Modelling Practice and Theory, vol. 93, pp. 322-342, 2019.
[14] F. Farahnakian , A. Ashraf , T. Pahikkala , P. Lijeberg , J. Plosila , I. Porres , H. Tenhunen, "Using Ant Colony System to Consolidate VMs for Green Cloud Computing," IEEE TRANSACTIONS ON SERVICES COMPUTING, vol. 8, no. 2, pp. 178-198, 2015.
[15] H. Hallawi ,J. Mehnen ,H. He, "Multi-Capacity Combinatorial Ordering GA in Application to Cloud Resources Allocation and Efficient Virtual Machines Consolidation," Future Generation Computer Systems, vol. 69, pp. 1-10, 2017.
[16] H. Ferdaus, M. Murshed ,R. Calheiros ,B. Rajkumar, "Virtual Machine Consolidation in Cloud Data Centers Using ACO Metaheuristic," in European Conference on Parallel Processing vol 8632 Springer, Cham, 2014.
[17] F. Teng , L. Yu , T. Li , D. Deng , F. Magoules, "Energy efficiency of VM consolidation in IaaS clouds," The Journal of Supercomputing, vol. 73, no. 2, pp. 782-809, 2017.
[18] A. Beloglazov , J. Abawajyb, R. Buyyaa, "Energy-aware resource allocation heuristics for efficient management of data centers," Future Generation Computer Systems, vol. 28, no. 5, pp. 755-768, 2012.
[19] A. Horri،M. S. Mozafari،Gh. Dastghaibyfard, "Novel resource allocation algorithms to performance and energy efficiency in cloud computing," The Journal of Supercomputing, vol. 69, pp. 1445-1461, 2014.
[20] E. Arianyan , H. Taheri, S. Sharifian, "Novel energy and SLA efficient resource management heuristics for consolidation of virtual machines in cloud data centers," Computers & Electrical Engineering, vol. 47, pp. 222-240, 2015.
[21] M Dayarathna, Y Wen, R. Fan, "Data center energy consumption modeling: a survey.," IEEE Communications Surveys & Tutorials, vol. 18, pp. 732-794, 2018.
[22] S. Rahmani, V. Khajehvand, "Burst‐aware virtual machine migration for improving performance in the cloud," International journal of communication systems, pp. 1-21, 2020.
[23] S. Islam; J. Keung; K. Lee; A. Liu, "Empirical prediction models for adaptive resource provisioning in the cloud," Future Generation Computer Systems, vol. 28, no. 1, pp. 155-162, 2012.
[24] V. Rogerio Messia; J. Cezar Estrella; R. Ehlers; M. Jose Santana; R. Carlucci Santana; S. Rei, "Combining Time Series Prediction Models Using Genetic Algorithm to Auto-scaling Web Applications Hosted in the Cloud Infrastructure," Neural Computing and Applications, vol. 27, p. 2383–2406, 2018.
[25] S. Rahmani; V. Khajehvand; M. Torabian, "Kullback-Leibler distance criterion consolidation in cloud," Journal of Network and Computer Applications, vol. 170, 2020.
[26] F. Farahnakian , A. Ashraf , T. Pahikkala , P. Lijeberg , J. Plosila , I. Porres , H. Tenhunen, "Using Ant Colony System to Consolidate VMs for Green Cloud Computing," IEEE TRANSACTIONS ON SERVICES COMPUTING, vol. 8, no. 2, pp. 178-198, 2015.
[27] H Liu, C-Z Xu, H Jin, J Gong, X Liao., "Performance and energy modeling for live migration of virtual machines," in Proceedings of the 20th International Symposium on High Performance Distributed Computing, 171-182, 2011.
[28] P. H.P.Castroa; V. L.Barretoa; S. Corrêa;L. ZambenedettiGranvilleb; K. VieiraCardoso;, "A joint CPU-RAM energy efficient and SLA-compliant approach for cloud data centers," Computer Networks, vol. 91, pp. 1-13, 2016.
[29] SPEC, "SPEC power benchmarks, Standard Performance Evaluation Corporation, in, Retrieved from <http://www.spec.org/benchmarks.html#power>.," 2011. [Online].
[30] R.N. Calheiros, R. Ranjan, A. BelogRLzov, C.A. De Rose, R. Buyya, "CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms," Software:Practice and Experience, vol. 41, no. 1, pp. 23-50, 2011.
[31] K. Park and V. Pai, "CoMon: a mostly-scalable monitoring system for PlanetLab," ACM SIGOPS Operating Systems Review, vol. 40, no. No 1, pp. 65-74, 2006.