پشتیبانی: 09131253620
ارتباط با ما
تلگرام: 09131253620


یکی دیگر از خدمات ما طراحی وب سایتهای واکنشگرا یا Responsive با کیفیت بالا می باشد. برای طراحی این وب سایتها از تکنولوژیهای روز دنیا استفاده می شود.


       
صفحه اصلی  |  فروشگاه ما  |  استخدام  |  نرم افزار مدیریت برنامه غذایی رستوران ها  |  seo تضمینی اصفهان  |  ثبت نام  |  طراحی وب سایت در اصفهان  |  برنامه نویسی اصفهان  |  انجام پروژه های پایگاه داده SQL Server  |  انجام پروژه مهندسی نرم افزار  |  انجام پروژه های مالتی مدیا بیلدر  |  در مورد ما  |  انجام پروژه های اکسس Microsoft access  |  نمونه پروژه ها  |  ارتباط با ما  |  اخبار و مقاله  |  انجمن رفع اشکالات مشتریان
برجسته ترین ها
گروه های مقاله ها
HyperLink


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

 ارائه ی یک منبع جدید برای برنامه ریزی براساس الگوریتم ژنتیک ، در محیط محاسبات ابری 

1-1-  مقدمه 
محاسبات ابری ، یک تکنولوژی جدید در دنیای علمی ، است.[1] در محاسبات ابری پلت فرم  (Platform) ، منابع ، ارائه دهنده ی خدمات هستند و به مشترکینی که عضو سرویس خدمت رسانی (SLA) باشند ؛ ضمانت می دهد. با این وجود ، با توجه به این که منابع ، قبلا به اشتراک گذاشته شده اند ، و نیازهای مشترکین ، دارای ناهمگونی پویا است و پلت فرم ها نامرتبط هستند ، اگر منابع نتوانند به درستی توزیع شوند ، این موضوع قطعا منجر به از بین رفتن منابع می شود.[2] 
به علاوه ، محاسبات ابری نرم افزاری (پلت فرم) ، نیاز به یک تعادل پویا در بارگیری میان سرورها دارد تا از عدم تعادل سرورها جلوگیری کرده و کارایی منابع را بهبود ببخشد. بنابراین ، این سوال مطرح می شود که چطور می توان منابع را به طور موثر و پویا مدیریت کرد و به مشترکین برای حل این مساله ، کمک کرد. تکنولوژی مجازی یک راه حل موثر ، برای مدیریت پویای منابع ، در محاسبات ابری نرم افزاری ، ارائه کرده است. به این طریق که ، خدمات را در ماشین های مجازی ، تضمین کند و آن را برای هر سرور فیزیکی ، نقشه گزاری کند. 
با این روش ، مشکل عدم تجانس (ناهمگونی ) و نامرتبط بودن نیازهای نرم افزاری مشترکین ؛ بهتر حل می شود و هم زمان ، سرویس خدمات رسانی ( SLA  ) ، آن را تضمین می کند. آن چه اهمیت دارد این است که تکنولوژی مجازی ، قادر به نقشه گزاری دوباره ، بین ماشین مجازی VM ، و منابع فیزیکی ، مطابق با تغییرات بار است ، در نتیجه ، با این روش پویا به یک تعادل بار در کل سیستم موفق می شود.[3] بنابراین ؛ تکنولوژی مجازی به طور کامل و جامع در محاسبات ابری مورد استفاده قرار می گیرد. هرچند ؛ ناهمگونی بسیار زیادی در منابع محاسبات ابری ، در محیط نرم افزاری وجود دارد ، با این وجود ، ماشین های مجازی ، باید مطابق با محاسبات ابری ، باشند. 
بنابراین ، برای عملکرد بهتر ، باید از این سرویس ها و منابع اش ، به طور کامل استفاده کرد. اما به منظور بهبود عملکرد منابع ، این منابع باید کاملا اختصاص یافته باشند و تعادل بار ، باید کاملا تضمین شده باشد.[4]  بنابراین ، در این جا این سوال مطرح می شود ، که چطور می توان منابع VM را برنامه ریزی کرد تا در هنگام محاسبات ابری ، تعادل در بار ایجاد شود و چطور می توان عملکرد منابع را بهبود بخشید تا تبدیل به یک نکته مهم تحقیقاتی شود. در حال حاضر در محاسبات ابری ، اساسا ، شرایط رایج سیستم در هنگام برنامه ریزی منابع VM ، مورد بررسی قرار می گیرد ، اما شرایط پیشین برنامه ریزی منابع ، به ندرت مورد بررسی قرار می گیرد. و نفوذ در بار سیستم ، پس از برنامه ریزی ، منجر به یک عدم تعادل بار می شود. بیشترین مقدار تعادل بار ، در هنگام انتقال VM ، وجود دارد.[5]  با این وجود ؛ هنگامی که کل منابع VM ، انتقال می یابد ، مقدار زیادی از آن ، گسسته می شود و مقدار زیادی از داده ها ، انتقال پیدا کرده و سرویس VM را ، به حالت تعلیق در می آورد. 
این انتقال ، باعث ایجاد یک مشکل می شود. در این فصل سعی داریم که به شیوه ی ایجاد تعادل سازی در بار ، بپردازیم که این شیوه مطابق با داده های قدیمی ، بیانات رایج و الگوریتم های ژنتیک ، است. این روش ، به صورت پیشرفته ، منابع VM را ، در زمانی که مطابق با گره های فیزیکی مستقر شده اند ؛ محاسبه می کند. سپس ؛ آن استقرار گیری را ، که کمترین تاثیر را بر روی سیستم داشته است ، انتخاب می کند. در این روش ، به بهترین شیوه تعادل سازی بار و کاهش یا اجتناب از انتقال پویا ، پی می بریم. 
1-2- کارهای مرتبط
موضوع تعادل سازی بار ، همواره یک موضوع تحقیقاتی بوده است و هدفش این است که ، محاسبه ی هر منبع به طورکامل و موثر انجام شود و در پایان کارایی منابع را بهبود ببخشد. در محاسبات قبلی ، در محیط های محاسبات توزیع شده ، محاسبات موازی و محاسبات شبکه ، محققان در داخل و خارج از کشور ، روش های برنامه ریزی ایستا ، پویا ، و یا مخلوط ، ارائه می کردند.[6]  در برنامه ریزی الگوریتم ایستا ، ISH [7] ، MSP [8] و ETF [9] ، براساس BNP هستند که مناسب برای سیستم هایی با محیط توزیع شده کوچک همراه با سرعت بالای اینترنتی هستند و تاخیر ارتباطی را در هنگام MH [10]  و DSL [11] ، نادیده می گیرد. الگوریتمی که  براساس APN  باشد ، تاخیر ارتباطی را در زمان اجرا ، مورد بررسی قرار می دهد ، زیرا آن ها مناسب محیط های بزرگ توزیع شده اند. 
در برنامه ریزی الگوریتم پویا ، بعضی از الگوریتم ها ، تعادل سازی بار را ، تضمین می کنند و بار را در هنگام توزیع ، از طریق وفق خود یا توزیع هوشمند ، به اشتراک می گزارند. در برنامه ریزی الگوریتم مخلوط ، این روش اساسا بر توزیع مساوی محاسبات تاکید می کند و همچنین بر کاهش ارتباطات گره های محاسباتی معین ، نیز تاکید می کند. و در همان زمان ، برنامه ریزی متعادل را مطابق با حجم گره های محاسباتی تشخیص می دهد. همچنین ، محققان ، مطالعاتی را بر روی الگوریتم های برنامه ریزی اتوماتیک ، برنامه ریزی مرکزی و  برنامه ریزی هوشمند ، انجام داده اند. شباهت ها و تفاوت های زیادی بین برنامه ریزی قدیمی الگوریتم ها و برنامه ریزی منابع VM ، در محیط محاسبات ابری وجود دارد. اول ، بزرگترین اختلاف بین محاسبات ابری و محاسبات قدیمی ، هدف از برنامه ریزی است. 
در محیط محاسبات قدیمی ، اساسا وظایف یا فرایندها ، برنامه ریزی می شوند ، بنابراین ، کامپونت ها و داده های انتقال داده شده ، کوچک هستند ، در صورتی که ، در محیط محاسبات ابری ، هدف از برنامه ریزی ، برنامه ریزی منابع VM  است ، بنابراین ، کامپونت ها و داده های انتقال داده شده ، بزرگ هستند. دوم ، در محیط محاسبات ابری ، زمان استقرار منابع  VM  در مقایسه با زمان برنامه ریزی الگوریتم ها ، تقریبا می تواند نادیده گرفته شود. 
در این فصل توزیع برابر منابع سخت افزاری VM  را در محیط محاسبات ابری ، مشاهده می کنیم. بنابراین ، اگر نیازهایی که  QOS  ، از مشترکین دارد ، اجرا شود ، ماشین های مجازی (VM ) ، می توانند به طور کارامد اجرا شوند. در حال حاضر ، مطالعات روی برنامه ریزی متعادل منابع VM ، براساس انتقال پویای منابع VM  است.  Sandpiper [12] ، سیستمی است که به طور پویا ، عمل نظارت و جستجوی کانون را در Cpu یک سیستم ، حافظه ی منابع و پهنای باند یک شبکه ، برعهده دارد. شیوه ی نظارت این سیستم بر اساس جعبه سیاه و جعبه سفید است. بیشترین توجه این سیستم بر این اساس است که چگونه حافظه ی کانون را تعریف کند و همچنین چگونه این کانون ها را از طریق نقشه گزاری مجدد منابع ، مرتب سازی کند.
DRS   VM ware(توزیع منابع زمانبندی شده ) یک ابزار برای توزیع و تعادل حجم محاسبات با استفاده از منابع در دسترس ، در محیط های مجازی است. این سیستم ، همیشه ابزار منابع را بیشتر از خود منابع ، نظارت می کند ، سپس  توزیع هوشمند منابع در دسترس را ، میان چندین منابع VM انجام می دهد ، که بر طبق قوانین از پیش تعریف شده است و نیازها را منعکس کرده و اولویت ها را تغییر می دهد. اگر در بعضی از منابع VM ، تغییر چشمگیری در حجم کار به وجود آید ، VMware DRS  ، دوباره منابع VM را در میان سرورهای فیزیکی توزیع می کند و منابع VM را از طریق VMware به سرورهای فیزیکی مختلف ، انتقال می دهد. همه ی سیستم های بالا از طریق انتقال پویا به سیستم تعادل بار ، دست پیدا می کنند. 
اما انتقال مکرر باعث می شود که تعداد زیادی از منابع به کار گرفته شوند که این موضوع باعث می شود که عملکرد کل سیستم کاهش یابد. با این وجود ، خیلی از  opensource ها می توانند ، سیستم هایی برای محققان به وجود آورند که محاسبات ابری را توسعه دهد. 
به عنوان مثال ؛ اوپن سورس های معروفی برای سیستم های ابری وجود دارد ، مثل EUCALYPTUS [14] ، Open Nebula [15] ، Nimbus [16] و غیره. برای استفاده از موارد فوق ، EUCALYPTUS  از Greedy و الگوریتم چرخشی استفاده می کند [14] . Open Nebula ، از سیستم quening  ، رزرو پیشرفته و برنامه ریزی از قبل ، استفاده می کند [15] . و Nimbus ، از ابزارهای قابل تنظیم مانند PBS و SGE ، استفاده می کند [16] . در شیوه های فوق ، EUCALYPTUS ، الگوریتم چرخشی و Greedy را ارائه می دهد که یک شیوه تصادفی برای انتخاب منابع فیزیکی تطبیقی است ، این روش هنگامی مورد کاربرد است که ماشین های مجازی (VM) نتوانند بیشترین کاربردی که منابع فیزیکی دارا هستند را مورد بررسی قرار دهد. 
سیستم صف بندی ، رزرو پیشرفته و شیوه های برنامه ریزی از پیش انجام شده ، کارایی منابع فیزیکی را مورد بررسی قرار نمی دهد.  سیستم های سفارشی ، سیستم های صف بندی اصلی هستند که نمی توانند برنامه ریزی منابع مطلوب را به طور خودکار ارائه کنند و نامحدود هستند. الگوریتم ژنتیک [17] ، یک شیوه تصادفی جستجو است که از قانون تکامل در دنیای زیست محیطی ، نشات گرفته است. ( مکانیزم ژنتیکی بقای شایسته ترین ). این مکانیزم دارای مفهوم ضمنی موازی سازی و بهینه سازی توانایی است. 
به وسیله ی روش بهینه سازی احتمالات می توان به طور خودکار به دستورالعمل جستجوی بهینه سازی فضا دست یابیم و همچنین جهت جستجو را تنظیم کنیم. با استفاده از منابع VM در محاسبات ابری و همچنین مزیت های الگوریتم ژنتیک ، یک روش تعادل سازی در منابع VM ارائه می کنیم که براساس الگوریتم های ژنتیکی است. [

تگها: cloudcomputing   محاسبات ابری   کارهای مرتبط   
 

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: