بخشی از مقاله
چکیده
در سال های اخیر، استفاده از سرویس های ابری به طور فزآینده ای گسترش یافته است. سرویسهای ابری، زیرساختهای توزیع شدهای هستند، که بسترهای ارتباطی و خدماتی را گسترش می دهند. مقیاس بندی اتوماتیک، با هدف تخصیص و باز پسگیری پویای منابع متناسب با حجم درخواستها، یکی از مهمترین ویژگی های سرویسهای ابری می باشد. مقیاس بندی سعی در استفاده حداکثری از توان منابع موجود و به کارگیری منابع غیرفعال، به منظور افزایش کارائی یا خاموش کردن منابع غیر ضروری به منظور، کاهش هزینه اجرا درخواست ها دارد. در این مقاله، یک رویکرد مقیاس بندی اتوماتیک مبتنی بر اتوماتای یادگیر، با هدف مدیریت و بهینه سازی فاکتور هزینه یپیشنهاد داده ایم. نتایج حاصل از شبیه سازی نشان می دهد که رویکرد پیشنهادی میزان هزینه استفاده از منابع را نسبت به سایر رویکردها، به خوبی کاهش می دهد.
-1 مقدمه
رایانش ابری، فناوری نو ظهوری است که به عنوان یک نیاز اساسی جایگاه خود را در زندگی بشر پیدا نموده و هر روز بر محبوبیت آن در میان استفاده کنندگان از اینترنت افزایش می یابد. استفاده کنندگان از سرویس های ابری، فقط به ازاء میزان منابع مورد استفاده1، هزینه پرداخت می کنند. مقیاس پذیری - - Scalability، یکی از مهمترین چالش ها و ویژگیهای فناوری رایانش ابری است که می تواند همه این قابلیت را برای استفاده کنندگان از سرویس های ابری فراهم نماید .[1]یکی از تکنیک های مدیریت مقیاس بندی در رایانش ابری، استفاده از رویکرد حد آستانه2 می باشد. مقدار آستانه براساس عواملی همچون قدرت و سرعت پردازش، میزان ظرفیت ذخیره سازی و . . .، تعیین می شود.
هنگامیکه میزان استفاده از یک منبع بیشتر از مقدار حد آستانه باشد درخواست ها به دیگر منابع ارجاع داده می شوند و در صورتیکه استفاده از یک منبع کمتراز مقادیر آستانه باشد تعدادی از منابع غیر ضروری انتخاب و غیر فعال می شوند تا از میزان هزینههای مصرفی کاسته شود. بنابراین، میزان حجم فعالیتهای اجرایی بر روی یک منبع به صورت پریودیک اندازهگیری شده و بر اساس آن مقیاس بندی مجدد انجام می شود .[2]
مقیاس پذیری با مفهوم تخصیص و باز پس گیری منابع متناسب با حجم در خواست ها سعی در استفاده حداکثری از توان منابع موجود و به کار گیری منابع غیر فعال به منظور افزایش کارائی یا غیر فعال کردن منابع موجود متناسب با حجم درخواست ها در جهت کاهش هزینه اجرا درخواست ها دارد. مقیاس بندی اتوماتیک کاربران را قادر می سازد تا زیر ساخت های مورد نیاز را متناسب با حجم فعالیت ها، میزان کارائی مطلوب و دیگر رفتارهای پویا، بزرگ و کوچک سازند بَب. چنین اتوماسیونی بطور قابل توجهای مزایای مقیاس بندی پویای ابری را افزایش می دهد×و به طور فعال می تواند منابع بیشتری را در زمان افزایش×حجم کار استفاده نماید و نیز با غیر فعال نمودن منابع غیر ضروری، زمانیکه با حجم درخواست پائین تری روبه رو هستیم، هزینه استفاده از منابع را مدیریت کند.
شاخص های کارائی در مکانیزم های Auto-Scaling ابری، معمولا شامل میزان استفاده از - CPU، عملیات دیسک و پهنای باند - می باشند[3]، همچنین ما نیازمند برنامه ریزی دقیق به منظور برقرای مصالحه میان این فاکتورها می باشیم .[4] در این مقاله، ما ضمن بهره گیری از نتایج تحقیقات قبلی در تعین مقادیر آستانه - Threshold - [5,6,7,8,9]و حجم کار[10,11]، با استفاده از اتوماتای یادگیر[12]، سعی در ارائه رویکرد مقیاس بندی اتوماتیکی به منظور مدیریت هزینه مقیاس بندی می باشیم. اتوماتای یادگیر این قابلیت را دارد که از میان پاسخ های در یافتی از محیط، بهینه ترین پاسخ را انتخاب کند.
استفاده از اتوماتای یادگیر، باعث مدیریت بهینه هزینه مقیاس بندی می شود. ادامه مقاله به این صورت سازماندهی شده است : بخش دوم به کارهای مربوطه در زمینه مقیاس بندی اتوماتیک اختصاص دارد، در بخش 3 رویکردی پیشنهادی را تشریح خواهیم نمود و در بخش چهارم، به ارزیابی رویکرد پیشنهادی خواهیم پرداخت و نهایتا بخش پنجم به نتیجه گیری و پیشنهادات اختصاص دارد.
-2 کارهای مربوطه
تحقیقات مختلفی در زمینه مقیاس بندی اتوماتیک انجام شده است. برخی از این تحقیقات با هدف ارائه رویکرد مقیاس بندی برای یک کاربرد خاص مانند وب سرور وبرخی برای بهینه سازی مکانیسم مقیاس بندی انجام شده اند.در این بخش از مقاله قصد داریم تا برخی از تحقیقات انجام شده در زمینه مقیاس بندی اتوماتیک را بررسی نماییم. M. Humphrey و همکاران [3]، مسئله مقیاس بندی اتوماتیک در ابر را از لحاظ شرط تخصیص سریع منابع، با حداقل هزینه ممکن برای یک صف از کارهای مستقل مورد بررسی قرار دادند. نتایج حاصله، بر کارآمدی این روش، در تخصیص سریع منابع دلالت می کردولی در مواردیکه کارها دارای الویت یکسان نیستند و نیز سطح خاصی از کارائی مورد نظر باشد، این روش مناسب نمی باشد.
D. Menasc و همکاران [13]، ساختاری برای زمانبندی کارهای دارای مهلت زمانی، در یک محیط نا همگن ارائه نمودند. در این پروژه یک مجموعه کاری - DAG - ، به عنوان ورودی در یافت می شود و فرض بر این است که برای هر ریز-کار - - sub-job، سرویس های گوناگونی در دسترس است. تصمیم گیری در مورد زمان بندی هر زیر کار، با در نظر گرفتن کارائی مطلوب و هزینه دسترسی به آن، انجام می شود. تخصیص مهلت زمانی به کارها با استفاده ازالگوریتم ژنتیک انجام می گیرد.
N. Chohan و همکاران [14]، مکانیزم تثبیت نمونه را برای تسریع در روند اجرا کارها در بستر ابر، به منظور کاهش هزینه ها ارائه نمودند. به طور کلی، این تحقیق و همچنین [15]، با هدف ارائه ساختاری به منظور مقرون به صرفه بودن - سود آوری برای ارائه دهنده خدمات ابری - خدمات ابری در چارچوب توافقنامه سطح سرویس - SLA - انجام شده است. نکته مهم اینکه، از منظر مشتری مقایسه هزینه بین، هزینه اجرا در بستر ابر در مقابل هزینه اجرا در حالت عادی انجام می شود.
