زمانبندی و تخصیص منبع با در نظر گرفتن اولویت و SLAدر رایانش ابری

نوع مقاله : مقاله پژوهشی فارسی

نویسندگان

1 گروه مهندسی کامپیوتر، دانشگاه ازاد اسلامی واحد اردبیل، اردبیل، ایران

2 گروه مهندسی کامپیوتر،دانشگاه آزاد اسلامی واحد اردبیل، اردبیل، ایران.

3 باشگاه پژوهشگران جوان و نخبگان،دانشگاه آزاداسلامی واحد اردبیل، اردبیل،ایران.

چکیده

در چند دهه‌‌ی اخیر با محبوبیت و کاربردی شدن رایانش ابری، تغییرات قابل توجهی در ارتباطات و فناوری‌‌ها شکل گرفته است. به صورتی که بیشتر سرویس‌‌دهندگان خدمات در سطح سرویس، در حال ارائه برنامه‌‌ها و توسعه زیرساخت‌‌های سخت‌‌افزاری خود بعنوان بهبود خدمات هستند. از آنجایی که رایانش ابری منابع مختلف را در اختیار این سرویس‌‌دهندگان قرار می‌‌دهد طبعا هزینه دسترسی، سرعت و دیگر پارامترهای مهم منجر به استقبال چشم‌‌گیر شده است; اما نکته‌‌ی مهم با توجه به ازدیاد و حجم درخواست‌‌های ذینفعان منجر به بروز چالش‌‌هایی در ارائه خدمات در سطح سرویس شده است. لذا زمانبندی و تخصیص منابع به درخواست‌‌های انجام شده با افق هزینه و زمان اتمام کار پایین، یک ضرورت شده است و سرویس‌‌دهندگان به دنبال دریافت بهترین سرویس ممکن با کارایی بالا هستند. این امر منجر به تحقیقات گسترده در این حوزه شده است. روش پیشنهادی مدلی برای زمانبندی و تخصیص منابع با در نظر گرفتن اولویت و توافق نامه سطح سرویس در رایانش ابری ارائه شده است. در حقیقت مدل ارائه شده در چند سطح مختلف دسترسی برای محقق کردن هدف اصلی، که زمانبندی و تخصیص بهینه منابع به درخواست‌‌ها می‌‌باشد، توسعه داده شده است. در روش ارائه شده به کمک الگوریتم نوبت گردشی و تکنیک وزن‌‌دهی به درخواست‌‌ها و نیز بررسی برخط ماشین‌‌های مجازی بهترین منبع ممکن برای تخصیص پیشنهاد و زمانبندی شده است. روش ارائه شده در قالب یک مدل پویا و قابل اجرا به کمک ابزار کلودسیم شبیه‌‌سازی و پارامترهای طول زمانبندی، هزینه و سرعت پردازش با چند روش مشابه مقایسه و آنالیز شده است. نتایج بدست آمده از سناریوهای مختلف بیانگر کاهش 8.68 ثانیه در  متوسط طول زمانبندی و افزایش2.15 در متوسط سرعت پردازش است.  همچنین هزینه پردازش تغییر قابل توجهی نداشته است

کلیدواژه‌ها


  1. Armbrust, A. Fox, R. Griffith, A. D. Joseph, R. Katz, A. Konwinski, G. Lee, D. Patterson, A. Rabkin, I. Stoica, M. Zaharia, “Above the Clouds: A BerkeleyView of Cloud Computing February,”Electrical Engineering and Computer Sciences University of California at Berkeley,2009.
  2. Gubbi, R. Buyya, S. Marusic, M. Palaniswami, “Internet of Things (IoT): A vision, architectural elements, and future directions,”Future Generation Computer Systems,vol. 29, no. 7, pp. 1645-1660, 2013.
  3. Liu, X. Sui, L. Li, Z. Jiang, H. Wang, Z. Zhang, Y. Zeng “A cloud service adaptive framework based on reliable resource allocation,”Future Generation Computer Systems,vol. 89, pp. 455-463, 2018.
  4. Hadjali, H. Mezni, S. Aridhi, A. Tchernykh, “Uncertainty in Cloud Computing: Concepts, Challenges and Current Solutions,”International Journal of Approximate Reasoning,vol. 111, pp. 53-55, 2019.
  5. C. Emeakaroha, I. Brandic, M. Maurer, I. Breskovic, “SLA-aware application deployment and resource allocation in clouds,”IEEE 35th Annual Computer Software and Applications Conference Workshops,pp. 298-303, 2011 .
  6. Wu, S. K. Garg, R. Buyya, “SLA-based admission control for a Software-as-a-Service provider in Cloud computing environments,”Journal of Computer and System Sciences,vol. 78, no. 5, pp. 1280-1299, 2012.
  7. Wu, S. K. Garg, R. Buyya, “SLA-Based Resource Allocation for Software as a Service Provider (SaaS) in Cloud Computing Environments,” in IEEE/ACM International Symposium on Cluster Computing and the Grid (CCGRID), Newport Beach, CA, USA, 2011.
  8. T.Tsai, J. C. Fang, J. H. Chou, “Optimized task scheduling and resource allocation on cloud computing environment using improved differential evolution,”Computers&Operations Research,pp. 3045-3055, 2013.
  9. Rajkumar, S. K. Garg, S. K. Gopalaiyengar, “SLA-Based Resource Provisioning for Heterogeneous Workloads in a Virtualized Cloud Datacenter,”International Conference on Algorithms and Architectures for Parallel Processing(ICA3PP ),pp. 371-384, 2011.
  10. Nilsaz, N., & Rastgarpour, M. (2021). A New Load-Balancing Algorithm Using Fuzzy Logic and Multi-Objective Firefly Algorithm in Cloud Computing Environment. Journal of Soft Computing and Information Technology, 10(2), 14-26.
  11. Bagheri, S., Mostafavi, S., & Adibnia, F. (2021). An ELM-based Load Balancing Algorithm for Cloud Computing Platforms. Journal of Soft Computing and Information Technology, 10(2), 39-52.
  12. Lavanya, B. Shanthi, S. Saravanan, “Multi objective task scheduling algorithm based on SLA and processing time suitable for cloud environment,”Computer Communications,vol. 151, pp. 183-195, 2020.
  13. Z. He, A. N. Toosi,B. Rajkumar, “SLA-aware multiple migration planning and scheduling in SDN-NFV-enabled clouds,”The Journal of Systems&Software,vol. 176, 2021.
  14. Morariu, O. Morariu, S. Raileanu, T. Borangiu, “Machine learning for predictive scheduling and resource allocation in large scale manufacturing systems,”Computers in Industry,vol. 120, 2020. .
  15. H. Malekloo, N. Kara, M. El, “An energy efficient and SLA compliant approach for resource allocation and consolidation in cloud computing environments,” no. 17, pp. 9-24, 2018.
  16. Gu, J. Hu, T. Zhao, G. Sun, “A New Resource Scheduling Strategy Based on Genetic Algorithm in Cloud Computing Environment,”JOURNAL OF COMPUTERS,vol. 7, pp. 42-52, 2012.
  17. Sharma, Dr. S. Tyagi, “A Comparative Analysis of Min-Min and Max-Min Algorithms based on the Makespan Parameter,”International Journal of Advanced Research in Computer Science,vol. 8, 2017.
  18. Mahajan, A. Makroo and D. Dahiya, “Round Robin with Server Affinity: A VM Load Balancing Algorithm for Cloud Based Infrastructure,”Journal of Information Processing Systems,vol. 3, 2013. .