پشتیبانی: 09131253620
ارتباط با ما
تلگرام: 09131253620

برجسته ترین ها
گروه های مقاله ها
HyperLink


بررسی محاسبات ابری بخش یک تاریخ درج: ١٣٩۴/٠٨/١٧

 با توجه به مشکل تعادل سازی بار در منابع VM  (Virtual Machine  ) ، در این مقاله یک شیوه و راه حل  برای تعادل سازی بار در منابع VM ، ارائه می کنیم که براساس الگوریتم ژنتیک است.که مطابق با داده های قدیمی و بیانات رایج در رابطه با الگوریتم ژنتیک می باشد. این شیوه ، تاثیری را که پس از به کار گیری منابع VM ، بر روی سیستم خواهد گذاشت ، محاسبه می کند. و سپس راه حلی که کمترین تاثیر را داشته باشد ، انتخاب می کند. که این موضوع باعث می شود که بهترین تعادل سازی در بارگیری ، بدست آید و از انتقال پویا ، جلوگیری کرده و یا آن را کاهش دهد. این مقاله قصد دارد که میزان بی ثباتی را ، در بارگیری ماشین های مجازی کاهش دهد. و همچنین ، این مقاله قصد دارد به معرفی میزان بارگیری متوسط ، به منظور اندازه گیری همه ی تاثیرات تعادل سازی بر روی الگوریتم ؛ بپردازد . تجربه نشان می دهد که این شیوه دارای بهره وری و کارایی جهانی ؛ است. و الگوریتم های این مقاله ،  تا حد زیادی ، قادر به حل مشکل عدم تعادل و مقدار زیاد انتقال ، است که پس از برنامه ریزی شدن سیستم VM ، رخ می دهد. آن چه مورد اهمیت است این است که ، فاصله بار متوسط با زیاد شدن میزان بی ثباتی بارگیری VM ، افزایش نمی یابد ، و سیستم برنامه ریزی الگوریتم ، دارای منابع کاملا سودمند است. 

درفصل دوم محاسبات ابری به عنوان یک مدل محاسباتی مشهور شناخته شده است ، تا از سرویس های مورد نیاز حمایت کند. این یک شیوه از محاسبه است که منابع مقیاس پذیر به عنوان خدمات به مشتریان خارجی ، تحویل داده می شوند که این کار  با استفاده از تکنولوژی های اینترنت انجام می گیرد. برنامه ریزی ( زمان بندی ) در محیط ابر مسئول انتخاب بهترین منابع مناسب برای اجرای کار است ؛ که با در نظر گرفتن بعضی از پارامترهای ایستا و پویا و محدودیت های وظایف ، انجام می شود. دیدگاه یک کاربر برای برنامه ریزی کارامد ممکن است براساس پارامترهایی مثل زمان تکمیل وظایف یا هزینه اجرای وظایف باشد. ارائه دهندگان خدمات برای تایید این موضوع که منابع مورد استفاده ، موثر هستند و بهترین ظرفیت پتانسیل منابع ، استفاده نشده باقی نمی ماند. این بخش ارائه دهنده ی یک الگوریتم برنامه ریزی است که چالش های اصلی برنامه ریزی وظایف را در محیط ابر ، مورد خطاب قرار می دهد. وظایف براساس نیاز کار گروه بندی می شوند مانند حداقل زمان اجرا یا حداقل هزینه و اولویت. انتخاب منابع براساس محدودیت های وظایف با استفاده از یک روش حریصانه انجام می شود. مدل ارائه شده در ابزار شبیه سازی ، اجرا و آزمایش می شود. نتایج نشان دهنده ی تایید چارچوب و بهبود قابل توجه در برنامه ریزی ترتیبی را نشان می دهد. 
در فصل سوم یک روش برای برنامه ریزی الگوریتم وجود دارد که می تواند تعادل بار را حفظ کند و یک استراتژی بهتر از طریق برنامه ریزی کارآمد ؛ ارائه کند و همچنین روش های تخصیص منابع را اصلاح کند. بار می تواند بار CPU ، ظرفیت حافظه ، تاخیر و یا بار شبکه باشد. تعادل بار ، فرایندی است که بار را در میان گره های مختلف در یک سیستم توزیع می کند تا بهره برداری از منابع را بهبود ببخشد و از زمان پاسخگویی به وظایف و همچنین جایی که گره ها به شدت در آن لود می شوند ؛ اجتناب کند. در صورتی که گره های دیگر غیرفعال اند و یا بسیار کم کار هستند. موازنه بار ( تعادل بار ) تضمین می کند که تمام پردازنده ها در سیستم و یا هر گره در شبکه ؛ تقریبا به مقدار مساوی در هر لحظه از زمان فعالیت دارد. نتایج شبیه سازی ارائه شده در این مقاله ؛ براساس الگوریتم برنامه ریزی (ESCE (Equally Spread Current Execution   است. الگوریتم برنامه ریزی ESCE ، از یک الگوریتم Round robin به صورت تصادفی ، استفاده می کند. ما یک الگوریتم برنامه ریزی ESCE ، ارائه کرده ایم و آن را با Round robin ، به منظور برآورد زمان پاسخ و زمان پردازش ، مقایسه می کنیم. 
در فصل چهارم پردازش داده ها در مقیاس بزرگ به طور فزاینده ، در محیط محاسبات ابری رایج است مانند Hadoop  ، Mapreduce و غیره . در این سیستم ها ، فایل ها به بلوک های کوچک تر تقسیم می شوند و این بلوک ها ، چندین سرور تکرار شده است. برای پردازش فایل های موثر ، هر وظیفه به تعداد وظایف بیشتری تقسیم می شود و هر وظیفه به یک سرور اختصاص داده شده است ؛ زیرا پهنای باند شبکه از منابع کمیاب در این سیستم است. افزایش کارایی محلی داده ( محل پردازش در سرورها که شامل بلاک های ورودی اطلاعات است ) برای تکمیل کار مهم است. اگرچه روش های بسیار زیادی برای بهبود بخشی داده های محلی وجود دارد ؛ بسیاری از آن ها ؛ یا حریصانه اند و از بهینه سازی عمومی چشم پوشی می کنند و یا از پیچیدگی محاسباتی رنج می برند. برای مواجه شدن با این مشکلات ؛  یک الگوریتم برنامه ریز یا زمان بند ، ارائه می کنیم که ابتدا ، تخصیص اولیه وظیفه یا کار را انجام دهد ، سپس ، زمان تکمیل وظیفه به تدریج می تواند با تنظیم تخصیص وظیفه اولیه ، کاهش یابد. با در نظر گرفتن یک دیدگاه کلی ؛ یک الگوریتم می تواند داده محلی را به صورت پویا مطابق با وضعیت شبکه و حجم کار و حجم خوشه ((cluster ، تنظیم کند. 
در فصل پنجم ما یک الگوریتم معتبر برنامه ریزی در محیط محاسبات ابری ، ارائه می کنیم. در این الگوریتم با استفاده از تکنیک های جدید و با طبقه بندی و بررسی تقاضا ( درخواست ) و با آگاهی از زمان کارها در یک تابع ، یک الگوریتم جدید ایجاد می کنیم. با ارزیابی الگوریتم های قبلی ، متوجه می شویم که برنامه ریزی کارهای انجام شده ، توسط پارامترهایی که مرتبط با میزان نقص هستند ، انجام شده است. بنابراین در این الگوریتم پیشنهادی ، علاوه بر پارامترهای قبلی ، بعضی دیگر از پارامترهای مهم نیز استفاده می شوند. بنابراین ما می توانیم کارها را با برنامه ریزی های مختلف براساس این پارامترها ، انجام دهیم. این کار مرتبط با یک مکانیسم است و کار بزرگ به کارهای کوچک تر ، تقسیم می شود. به منظور ایجاد تعادل در کارها ، ما باید زمان درخواست و زمان اذعان  ( تصدیق کننده ) را به طور جداگانه ، محاسبه کنیم. سپس ، برای هر کار ، با استفاده از زمان درخواست و زمان تصدیق در یک شکل مشترک ، برنامه ریزی ایجاد می کنیم. در نهایت ، بهره وری سیستم افزایش می یابد. بنابراین ، زمان واقعی در این الگوریتم ها در مقایسه با سایر الگوریتم ها ، بهبود یافته تر است. در نهایت با استفاده از مکانیزم ارائه شده ، مجموع مدت زمان پردازش در محیط محاسبات ابری ، در مقایسه با سایر الگوریتم ها ، بهبود یافته تر است. 

تگها: cloudcomputing   محاسبات ابری   
 

HyperLink

ارسال نظر در مورد این مطلب
نام :  
آدرس ایمیل :  
متن پیام :  
کد امنیتی :  
   
   
نظری برای نمایش وجود ندارد
 
این مطلب را به اشتراک بگذارید: