پشتیبانی: 09131253620
ارتباط با ما
تلگرام: 09131253620

برجسته ترین ها
گروه های مقاله ها
HyperLink


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

معماری برنامه ریزی در محیط محاسبات ابری 

بر طبق سیستم های ابری مشهور ، منابع محاسباتی معمولا با شبکه های محلی LAN ؛ مرتبط است. سیستم محاسبه ابری به این روش است که چطور متمرکز سازی را انجام دهیم و اینکه نیاز به زمان بندی را بسنجیم. [22]  شکل 1 نشان دهنده ی معماری ابری براساس استاندارد است و زمان بندی همیشه در بالاترین لایه قرار دارد. [23] 
 
 1-3- معماری برنامه ریزی در محیط محاسبات ابری
شکل 1 - 1- مدیریت زیرساخت های مجازی ابر براساس استاندارد
شکل 2 نشان دهنده ی ارتباط میان منابع ماشین های مجازی و ماشین های فیزیکی است. ابر ارائه دهنده ی همه ی انواع ماشین هایی است که دارای شکل های مجازی باشند که مشتریان می توانند آن را از طریق اینترنت به عنوان یک سرویس مشاهده کنند و همیشه نقش یک سرویس برنامه ریز را اجرا می کند و گره هایی را که با دیگر گره های معمولی منابع PC  فرق می کند را محاسبه می کند و حتی خوشه ها با کارایی بالا را در منابع VM  تنظیم می کند. 

شکل 1 - 2- معماری برنامه ریزی در محیط محاسبات ابری
شکل 1 - 2- معماری برنامه ریزی در محیط محاسبات ابری
تعداد زیادی شیوه های برنامه ریزی در سیستم های ابری وجود دارد. الگوریتم Eucalyptus از الگوریتم  Greedy (اولین چیزی که مناسب است ) و استراتژی برنامه ریزی چرخشی استفاده می کند. پرس وجوی الگوریتم حریص (Greedy) از منابع محاسباتی از اولین گره تا آخرین گره ، تا زمانی ادامه پیدا می کند که یک گره مناسب پیدا شود ، هرگاه یک تقاضای جدید به وجود آید ، آن گره ها را یکی یکی مورد بررسی قرار می دهد. این عمل گردشی ، آخرین موقعیت یک برنامه بازدید شده را ، ثبت می کند و زمان بندی از آخرین موقعیت بازدید شده  شروع می شود تا زمانی که یک درخواست جدید به وجود آید. 
در ضمن ؛ منابع به عنوان یک لیست مدور بررسی می شوند. Open Nebula از Haizea  [24] استفاده می کند ، اوپن سورس VM  براساس معماری مدیریت اجاره ای  با عنوان برنامه زمان بندی و ارائه ی یک سیستم صف ، رزرو پیشرفته و شیوه های فوری اجاره ای است. همه ی این روش ها توجه بسیار زیادی به when (زمان) دارد اما how (چطور ) را در نظر نمی گیرد. Nimbus می تواند پیکر بندی شود تا به عنوان یک برنامه زمان بندی آشنا  مورد استفاده قرار گیرد ،مثلا  شبیه به PBS (portable bach system )  یا SGE (sun gride engine )  ، تا ماشین های مجازی را زمان بندی کند [25][26][27] . PBS یک سیستم صف است و SGE از سیستم برنامه ریزی سلسله مراتبی (JOSH) استفاده می کند. هردوی آن ها نمی توانند استفاده خوب از منابع داشته باشند. 
 
کد گزاری جمعیت 
برای مقابله با مشکلات با استفاده از الگوریتم ژنتیک ، از طریق تابع pool ( مدیریت تخصیص منابع ) نمی توان عمل کرد ، اما برای نوشتن یک برنامه یا ایجاد کد می توان از الگوریتم ژنتیک ، استفاده کرد. بنابراین اولین چیزی که ما نیاز داریم ، نوشتن یک برنامه است تا بتوانیم با این مشکل مقابله کنیم. انتخاب یک شیوه کدنویسی (برنامه نویسی) تا حد زیادی بستگی به نوع مشکل و طراحی الگوریتم های ژنتیکی دارد. الگوریتم ژنتیک کلاسیک ، ساختار کروموزم ژن ها را با استفاده از کدهای باینری ، نشان می دهد ، مدل داده ها در این بخش به صورت ارتباط یک به چند ، در بین ماشین های فیزیکی و VMs است. بنابراین ، در این بخش ، سه ساختار برای نشان دادن کروموزوم ژن ها ، استفاده می شود [28] . همانطور که قبلا گفته شد ، هر راه حل mapping ، به صورت یک درخت  نشان داده شده است. برنامه ریزی و مدیریت هر گره در اولین سطح ، ریشه گره ها است ، در صورتی که ، همه ی گره های n  در دومین سطح ، به سمت ماشین های فیزیکی تمایل دارند و گره های m در سومین سطح ، به سمت VMs در ماشین های فیزیکی معین ، تمایل دارند. 
 مقدار دهی اولیه جمعیت
در این بخش ، برای مقدار دهی به جمعیت ، اساسا از شیوه ی درخت گسترده  (پوشا) استفاده می کنیم. در زیر تعاریفی برای این درخت آمده است :
این درخت از عناصر ماشین فیزیکی و VM  ، ساخته شده است.
ریشه ی گره این درخت ، از قبل ، به عنوان مدیریت گره منابع ، تعریف شده است.
همه ی گره های ماشین فیزیکی و گره های VM ، در این درخت وجود دارد.
همه ی برگ های گره ها ، گره های VM ، هستند
 
شکل 1 - 3 - درخت پوشا مقدار دهی اولیه به جمعیت
شکل 1 - 3 - درخت پوشا مقدار دهی اولیه به جمعیت
قاعده این درخت به این صورت است که این درخت ، یا باید به شرایط بار متعادل برسد یا اینکه باید از طریق وراثت ، تولیدات نسبتا خوبی داشته باشد. به این معنی که درخت خودش باید یک عامل (فرد) خوب باشد. بنابراین می توانیم به یک شکل راهنما یا ( نقشه ) ارتباطی خوب  ، بین ماشین فیزیکی و VMs  ، دست پیدا کنیم ، که از طریق روش های زیر است : 
روش اول به این صورت است که احتمال p را مطابق با بار VM در کل مجموعه VM ، انتخاب و محاسبه می کنیم ( p نسبت یک عدد بار VM به مجموع بار VM است) سپس براساس احتمال p ، همه ی VMs هایی که در ماشین فیزیکی ، به کوچکترین گره اختصاص یافته اند ، گره برگ هایی از درخت اولیه ، تولید می کنند. به این ترتیب ، احتمال اینکه VM  با گرمای بیشتر و همچنین گرمای کمتر ، انتخاب شود ، مطرح است. 
تابع تناسب
در دنیای طبیعی ، تناسب به این معنا است که تولید مستقیما با تعداد زاده شدگان ، در ارتباط باشد. در الگوریتم ژنتیک ، تابع تناسب ، معیار کیفیت افراد در یک جمعیت است ؛ که مستقیما نشان دهنده ی عملکرد افراد است که دارای عملکرد بهتر و یا تناسب بیشتر هستند و یا بالعکس. افراد ( اعضا ) تصمیم می گیرند که به تعداد بیشتری تبدیل شوند و یا با توجه به مقدار تابع تناسب ، منسوخ شوند. بنابراین ؛ تابع تناسب یک نیروی محرک الگوریتم ژنتیکی است.

تگها: cloudcomputing   محاسبات ابری   معماری برنامه ریزی در محیط محاسبات ابری   مقدار دهی اولیه جمعیت   کد گزاری جمعیت   
 

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: