بخشی از مقاله
خلاصه
محاسبات ابری به تازگی به یک حوزه تبدیل شده است و به عنوان یک واقعیت تجاری در دامنه تکنولوژی اطلاعات پدیدار شده است. محاسبات ابری نشان دهنده مکمل،مصرف و مدل تحویل برای سرویس های IT است. زمانبندی سرویس های ابری توسط ارائه دهندگان سرویس به مصرف کنندگان به سود هزینه این نوع از محاسبات تاثیر می گذارد. در چنین سناریویی، کارها باید به طور موثری زمانبندی شده باشند که هزینه اجرا و زمان بتواند قابل کاهش باشد.
در این مقاله، ما یک روش فرا اکتشافی بر اساس زمابندی مطرح می کنیم که، زمان اجرا و هزینه و اجرا را به خوبی به حداقل می رساند. الگوریتم ژنتیک بهبود یافته از طریق ادغام دو الگوریتم زمانبندی موجود برای زمابندی کردن کارها با درنظر گرفتن پیچیدگی محاسبات و محاسبه ظرفیت عناصر پردازش توسعه یافته است. نتایج تجربی نشان می دهد که، الگوریتم پیشنهادی عملکرد خوبی را ارائه کرده است.
.1 مقدمه
ابر یک نوع سیستم توزیع شده و موازی مجموعه ای از کامپیوترهای مجازی سازی شده و به هم متصل شده است که به صورت پویا مشروط و به عنوان یکی یا برخی از منابع محاسباتی واحد و یکپارچه که بر اساس توافق نامه سطح خدمات از طریق مذاکره بین مصرف کنندگان و ارائه دهندگان سرویس ایجاد شده است. در این بازار در حال رشد تکنولوژی اطلاعات شرکت ها و سازمان ها، محاسبات ابری یک جایگزین در حال ظهور و مورد توجه برای خشنود کردن نیازهای رو به افزون آنهاست.
همچنین منابع مجازی که به صورت پویا مقیاس پذیر هستند را فراهم می کند.محاسبات ابری همچنین منابع مجازی،نرم افزارها، پلتفرم ها، برنامه های کاربردی، محاسبات و ذخیره سازی را برای مقیاس پذیر بودن توصیف می کند..[1] اکوسیستم ابر شامل سه نهاد اصلی می شود: مصرف کنندگان ابر، ارائه دهندگان خدمات ابر و خدمات ابر. مصرف کنندگان ابر خدمات ابری ارائه شده توسط ارائه دهنده خدمات ابر را مصرف می کند. این خدمات ممکن است روی زیرساخت های خود ارائه دهنده خدمات یا بر روی ارائه دهندگان زیرساخت های ابر شخص ثالث بنا شوند.[2]
1,1 مدل های خدمات محاسبات ابری
محاسبات ابری سه مدل سرویس فراهم می کنند: زیرساخت ابر به عنوان یک سرویس - iaas - ، پلتفرم ابر به عنوان یک سرویس - PaaS - و نرم افزار ابری به عنوان یک سرویس . - SaaS - ابر IaaS پردازش،ذخیره سازی، شبکه ها و سایر منابع محاسباتی اساسی که در آن مصرف کننده قادر به استقرار و اجرای نرم افزار دلخواه است را فراهم می کند، که می تواند شامل برنامه های کاربردی و سیستم عامل نیز باشد. بر اساس سخت افزار مشخص مصرف کنندگان - تعداد هسته های پردازنده، اندازه حافظه فیزیکی و... - و پشته نرم افزار - سیستم عامل،نرم افزار برنامه های کاربردی و میان افزار - توسط ارائه دهندگان ابرهای IaaS در دسترس شده است.
سرویس ابری PaaS باعث می شود توسعه دهندگان به ارائه دهندگان کمک کنند. سرویس ابری PaaS باعث می شود توسعه دهندگان با ارائه دهنده ابزارها و زبان برنامه نویسی مشخصی به توسعه برنامه های کاربردی کمک کنند. ابر SaaS قابلیتی را برای کاربران فراهم می کند که از برنامه های در حال اجرا ارائه دهنده روی زیرساخت های ابری استفاده کنند. برنامه های کاربردی از دستگاه های مشتری های مختلف از طریق یک رابط مشتری مانند مرورگرهای وب در دسترس هستند.[3] سیستم مدیریت روابط نیروهای فروش [4] - CRM - و برنامه های گوگل[5] دو نمونه از SaaS هستند.تمام سازمان ها و شرکت های تجاری در حال گرفتن مزایای کامل محاسبات ابری به منظور کاهش هزینه رشد سریع کسب و کار آنها هستند. از این رو زمانبندی کار کارآمد باید در تصمیم ارائه دهنده سرویس برای سود هزینه های این نوع از محاسبات تاثیرگذار باشد.
2,1 مسائل مشکل در ابرها
محاسبات ابری به تازگی به یک حوزه تبدیل شده است و به عنوان یک واقعیت تجاری در دامنه تکنولوژی اطلاعات پدیدار شده است.با این حال این فناوری هنوز به طور کامل توسعه نیافته است.هنوز برخی حوزه ها وجود دارند که نیاز به تمرکز بر روی آنها است.
· مدیریت منابع
· زمانبندی کارها
زمانبندی کارها و تامین منابع اصلی ترین مشکلات حوزه ها در شبکه و محاسبات ابری هستند. محاسبات ابری یک تکنولوژی در حال ظهور در دامنه IT هست. زمانبندی سرویس های ابری به مصرف کنندگان از طریق ارائه دهنده های سرویس بر روی سود هزینه های این نوع از محاسبات تاثیر می گذارد. با این حال، الگوریتم های بسیاری وجود دارد که توسط محققان مختلف برای زمانبندی کارها داده شده است که در بخش کارهای مربوطه مورد بحث واقع می شود. ادامه این مقاله به شکل زیر متشکل شده است: بخش 2 کار مرتبط در مورد مشکل زمانبندی کارها در تکنولوژی محاسبات ابری را ارائه می دهد .بخش 3 مشکل هنوز پابرجا در زمانبندی کارها در محیط ابری را شرح می دهد.بخش 4 پیاده سازی مشکل را ارائه می دهد.بخش 5 نتایج و بررسی ها را ارائه می دهد.نتیجه گیری و کار آینده در بخش پایانی ارائه می شود.
.2 کارهای مرتبط
در سال 2008، یک روش ابتکاری برای زمانبندی کردن مجموعه ای از کارها - کارهایی با زمان اجرای کوتاه و بدون وابستگی - در یک ابر که در منبع [6] ارایه شده است بطوریکه تعداد ماشین های مجازی برای اجرای همه کارها به اندازه بودجه، حداقل است. در سال 2009، Maros Dikaikos و George Pallis متوجه سازمان محاسبات اینترنت توزیع شده به عنوان ابزار عمومی شدند و برخی مشکلات قابل توجه در باب استقرار، عملیات کارآمد و استفاده از زیرساخت های محاسبات ابری مورد خطاب قرار دادند.
[7] در سال 2009، Dr.Sudha و Dr.Jayarani زمانبند سطح دو کارآمد در محیط محاسبات ابری بر اساس کیفیت سرویس مطرح کردند.[8] در 2011، Sandeep Tayal الگوریتمی بر اساس بهینه سازی الگوریتم ژنتیک فازی مطرح کرد که مجموعه ای از کارها در یک صف کار را بر اساس پیش بینی زمان اجرای کار محول شده به پردازشگرهای خاصی ارزیابی می کند و باعث می شود که زمانبند تصمیم بگیرد.
[9] در سال 2011، Laiping Zhao ، Yizhi Ren و Kouichi Sakurai الگوریتم زمانبند DDR - مهلت تحویل، قابلیت اعتماد، منابع آگاه - را مطرح کردند که کارها را زمانبند می کنند، بطوریکه تمام کارها می توانند قبل از مهلت تحویل، تضمین قابلیت اطمینان و به حداقل رساندن منابع کامل شوند.[10] در سال 2011، S. Sindhu و Saswati Mukhejee دو الگوریتم برای محیط محاسبات ابری مطرح کردند و آن را با سیاست های پیش فرض ابزار cloudsim - شبیه سازی محیط محاسبات ابری - با توجه به درنظر گرفتن پیچیدگی محاسبات کارها مقایسه کردند.این مقاله یک چارچوب برای تحقیقات ما فراهم می کند.[11]
.3 قاعده سازی مسئله
زمانبندی کارها و تامین منابع مهمترین مسائل دو حوزه شبکه و محاسبات ابری می باشند. از مطالعه کارهای مرتبط، به این نتیجه رسیدیم که استراتژی های زمانبندی موجود در ابرها مبتنی بر رویکردهای توسعه یافته در حوزه های مرتبط از جمله شبکه ها و سیستم های توزیع شده هستند. زمانبندی در این حوزه ها عمدتا در جهت تضمین اهداف توافق نامه سطح سرویس - SLA - یک برنامه کاربردی است.
از سوی دیگر در محیط ابری نیاز به تصمین زیاد اهداف SLA و کیفیت سرویس وجود دارد.الگوریتم های زیادی از جمله Min-Min,Max-Min، Suffrage، کوتاه ترین گذر ابر به سریعنترین پردازنده - SCFP - ، طولانی ترین گذر ابر به سریعترین پردازنده - LCFP - وجود دارد و برخی الگوریتم های فرا اکتشافی مثل الگوریتم ژنتیک - GA - ، بهینه سازی ازدحام ذرات - PSO - ، بهینه سازی مورچگان - ACO - و تبرید شبیه سازی شده - SA - که قبلا برای زمانبندی کارها موجود بودند.با این حال، الگوریتم های بسیاری وجود دارد که توسط محققان مختلف برای ابرها ارائه شده اند، اما هیچ یک از الگوریتم های موجود در بالا موارد زیر را درنظر نگرفته اند:
· پیچیدگی محاسبات - طول کارها، قدرت پردازش -
· هزینه محاسبات - هزینه پردازنده -
این موارد توسط کارها برای زمانبندی مورد نیاز هستند. دو الگوریتم زمانبندی کارها یعنی LCFP و SCFP ابری یک چارچوب برای تحقیقات ما فراهم می کنند که پیچیدگی محاسبات و پردازش قدرت منابع را دربر می گیرد. کار پیشنهادی ما روی بهینه سازی الگوریتم های زمانبندی کارها همراه با الگوریتم های فرا اکتشافی تمرکز می کند که الگوریتم ژنتیک در یک محیط ابری خصوصی است. با ترکیب SCFP, LCFP و یک الگوریتم فرا اکتشافی مانند الگوریتم ژنتیک به عنوان روش بهینه سازی، ما برای توسعه یک رویکرد جدید، الگوریتم ژنتیک اصلاح شده - MGA - برای زمانبندی کارها را پیشنهاد می دهیم.
