ارائه راهکاری جدید برای جای‏گذاری بهینه ماشین‏‌های مجازی در مراکز داده ابری با استفاده از الگوریتم جستجوی گرانشی گسسته و توابع آشوبناک

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 گروه کامپیوتر، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران

2 گروه ریاضی، دانشگاه آزاد اسلامی واحد ارومیه، ارومیه، ایران

چکیده

جای‏ گذاری ماشین‏ های مجازی بر روی ماشین‏ های فیزیکی در ساختار ابری یکی از مهم‏ترین مسایل می‏ باشد. مکان‏یابی ماشین‏ های مجازی فرایندی را شامل می‏ شود که در آن ماشین‏ های مجازی بر روی ماشین‏ های فیزیکی در مراکز داده ابری نگاشت پیدا می‏کنند. جای‏گذاری بهینه باعث کاهش مصرف انرژی، استفاده بهینه از منابع، کاهش ترافیک در مراکز داده‏ها، کاهش هزینه‏ها و همچنین افزایش کارایی مراکز داده در بستر ابری می‏شود. در این مقاله، ما الگوریتم فرا ابتکاری نیروی گرانشی را به صورت گسسته و با استفاده از توابع آشوبگر برای جای‏گذاری بهینه ماشین‏های مجازی بر روی ماشین‏های فیزیکی در مراکز داده ابری، پیشنهاد داده‏ایم. هدف از این کار به حداقل رساندن مصرف منابع، مصرف انرژی و تعداد لینک‏های ارتباطی می‏باشد. کارایی راهکار پیشنهادی با نتایج چندین الگوریتم فرا ابتکاری دیگر مقایسه می‏شود. نتایج نشان می‏دهد که الگوریتم پیشنهاد شده بهتر و تاثیرگذارتر از روش‏های مقایسه شده می‏باشد.

کلیدواژه‌ها


[1] A. Beloglazov, R. Buyya, “Energy efficient resource management in virtualized cloud data centers,” Proceedings of the 2010 IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, 2010, pp. 826-831.
[2] G. Lee, "Cloud Networking: Understanding Cloud Based Data Center Networks,” Morgan Kaufmann, 2014.
[3] Q. Zhang, L. Cheng, R. Boutaba, “Cloud computing: state-of-the-art and research challenges,“  Journal of Internet Services and Applications,  Vol. 1, No. 1, pp.7–18, 2010.
[4] Y. Fang, D. Tang, J. Ge, “Energy-aware schedule strategy based on dynamic migration of virtual machines in cloud computing,” Journal of Computational Information Systems,  Vol. 10, No. 8, pp. 201-208, 2012.
[5]  M. Alicherry, T. Lakshman, “Optimizing data access latencies in cloud systems by intelligent virtual machine placement,” 2013 Proceedings IEEE INFOCOM, 2013, pp. 647–655.
[6] D. Kusic, J. Kephart, J. Hanson, N. Kandasamy, G. Jiang, “Power and performance management of virtualized computing environments via lookahead control,” Cluster Computing, Vol. 12, No. 1, pp. 1–15, 2009.
[7] S. Chaisiri, B. Lee, D. Niyato, “Optimal virtual machine placement across multiple cloud providers,” Proceedings of the IEEE Asia-Pacific Services Computing Conference, 2009, pp. 103–110.
[8] H. Mi, H. Wang, G. Yin, Y. Zhou, D. Shi, L. Yuan, “Online self-reconfiguration with performance guarantee for energy-efficient large-scale cloud computing data centers,” Proceedings of the IEEE International Conference on Services Computing, 2010, pp. 514–521.
[9] Y. Gao,  H. Guan, Z. Qi, Y. Houb, L. Liu, “A multi objective ant colony system algorithm for virtual machine placement in cloud computing,” Journal of Computer and System Sciences, Vol. 7, No. 9, pp. 1230-1242, 2013.
[10] T. Yang, Y. Choon, A. Zomaya, “Energy-Efficient Data Center Networks Planning with Virtual Machine Placement and Traffic Configuration,” 2014 IEEE 6th International Conference on Cloud Computing Technology and Science, 2014, pp. 284-291.
[11] W. Ding, C. Gu, F. Luo, Y. Chang, U. Rugwiro, X. Li, G. Wen, “DFA-VMP: An efficient and secure virtual machine placement strategy under cloud environment,” The Institute of Electronics, Information and Communication Engineers Vol. 101, No. 7, pp. 203–206, 2018.
[12] E. Dashti, A. Rahmani, “Dynamic VMs placement for energy efficiency by PSO in cloud computing,” Journal of Experimental & Theoretical Artificial Intelligence, Vol. 28, No. 1, pp. 97–112, 2016.
[13] D.  Holliday, R. Resnick, J. Walker, “Fundamentals of physics,” John Wiley and Sons, 1993.
[14] E. Rashedi, “Gravitational Search Algorithm,” M.Sc. Thesis, Shahid Bahonar University of Kerman, Kerman, Iran, 2007.
[15] J Dong, H Wang, Y Li and S Cheng “Virtual machine placement optimizing to improve network performance in cloud data centers,” The Journal of China Universities of Posts and Telecommunications, Vol. 21, No. 3, pp. 62-70, 2014.
[16] M. Cheng, D.Prayogo, “Symbiotic Organisms Search: A new metaheuristic optimization algorithm,” Computers & Structures, Vol. 139, No. 15, pp. 98-112, 2014.
 [17] M. Eusuff, K. Lansey, F. Pasha, “Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization,” Civil Engineering and Engineering Mechanics, Vol. 38, No. 2, pp. 129-154, 2006.
[18] A. Marphatia, A. Nuhnot, T. sachdeva, E. Shukla, L. Kurup, “Optimization of FCFS Based Resource Provisioning Algorithm for Cloud Computing,” IOSR Journal of Computer Engineering (IOSR-JCE), Vol. 10, No. 5, pp. 01-05, 2013.
[19] B. Santosa, L. Safitri, “Biogeography-based Optimization (BBO) Algorithm for Single Machine Total Weighted Tardiness Problem (SMTWTP),” The International Journal of Advanced Manufacturing Technology, Vol. 58, No. 9, pp. 1115–1129, 2011.