بخشی از مقاله
چکیده:
سرویسهای ابری زیر ساختهای توزیع شدهای میباشند که بسترهای ارتباطی و خدماتی را گسترش میدهند. افزایش محبوبیت و سودآوری فناوری ابر وابسته به تأمین قابلیتها و ویژگیهای موردنظر استفاده کنندگان میباشد. مهمترین ویژگی مطلوب کاربران ابری، کارایی بالا، هزینه حداقل و اجرای درخواست در زمان معین، میباشد. ارائه دهندگان سرویسهای ابری به منظور دستیابی به کیفیت مطلوب کاربران و سودآوری بیشتر، ابر را بر اساس ساختارها و فناوری نو ظهور، همانند مجازی سازی پیاده سازی نمودهاند، تا از این رهگذر پاسخگوی نیاز کاربران باشند و همچنین با بهره گیری از مفهوم مجازی سازی بویژه مجازی سازی منابع، بهترین سرویس را با حداقل هزینه ممکن ارائه دهند. رایانش خودمختار یکی از بهترین راه های افزایش بهرهوری و بهبود عملکرد سیستمهای ابری میباشد چرا که بر اساس ویژگی مقیاس پذیری رایانش ابری، توسعه دهندگان ابر معتقدند که باید برای کاربران به مقدار نیاز منابع فراهم شود و کاربران نیز به ازای میزان استفاده از منابع هزینه را پرداخت نمایند.
-1 مقدمه:
در طی سالیان اخیر، استقبال از فناوری رایانش ابری بیشتر شده و اکثر شرکتها، حداقل بعضی از انواع استراتژی ابری را در نظر گرفته و در سازمان خود به کار میگیرند. هیچ کس نمیخواهد منابع محاسباتی گران را به صورت دائمی خریداری و نگهداری کند بلکه هرکس میخواهد، مسائلاش را به صورت راه دور با اجاره منابع از دیگر ارائه دهندگان ابری، حل کند. این رویکرد، باعث ظهور فناوری رایانش ابری شده است.
رایانش ابری، " یک مدل برای فراهم سازی آسان، مبتنی بر تقاضا و دسترسی شبکه برای یک مخزن اشتراکی از منابع محاسباتی قابل پیکربندی - شبکهها، سرورها، برنامههای کاربردی و سرویسها و.... - است که به سرعت با حداقل تلاش مدیریتی یا تعامل با ارائه دهنده سرویس، تأمین و آزاد سازی میگردد" [1] فناوری رایانش ابری، سعی کرده است ساز و کار جدیدی برای تأمین زیرساختها برای کاربران ارائه دهد و توهم وجود منابع نامحدود را در ذهن کاربران تداعی کند. افرادی که در حوزه فناوری رایانش ابری فعالیت دارند برای آن مزایایی گوناگونی از جمله انعطاف پذیری، قابلیت اطمینان، مقیاس پذیری، امنیت، کاهش هزینه، ظرفیت نامحدود منابع، و ... در نظر گرفتهاند.
در این بین، قابلیتی محبوب - مقیاس پذیری - 4 در رایانش ابری وجود دارد که کمتر مطلبی در مورد رایانش ابری پیدا میشود که به این قابلیت نپرداخته باشد. مقیاس پذیری و تأمین خودکار منابع5 - تأمین پویای منابع - 6 برای کاربران، این امکان را فراهم می آورد تا کاربران به راحتی بتوانند برحسب وزن مورد نیازشان از منابع استفاده کنند. از آنجائیکه برنامهای کاربردی، مخصوصاً برنامههای کاربردی تحت وب، دارای الگوهای حجم کاری منظمی نیستند، بنابراین عملیات مقیاس بندی - افزایش یا کاهش مقیاس - باید به صورت بلادرنگ و با حداقل دخالت انسان انجام گیرد تا منابع در اسرع وقت برای برنامههای کاربردی تأمین شود. به این نوع مقیاس بندی کردن منابع، که با کمترین دخالت انسان و به صورت اتوماتیک انجام میشود، رایانش خودمختار7 گفته میشود.
رایانش خودمختار، استراتژی اصلی در راستای تأمین پویای منابع برای برنامههای کاربردی تحت وب است. فرایند مقیاس بندی، توسط عاملی به نام Auto-Scaler - مقیاس بندی اتوماتیک - انجام میشود.[2] یک Auto-Scaler، مسئول تصمیم گیری در مورد اعمال مقیاس بندی، بدون تعامل و مداخله یک مدیر انسانی است. هدف Auto-Scaler، تطبیق پویای منابع انتساب داده شده به برنامههای کاربردی بر اساس بار کاری ورودی است و باید توازنی بین برآورده کردن اهداف SLA - توافقنامه سطح سرویس - و حداقل سازی هزینه، برقرار نماید. در این مقاله ضمن معرفی رایانش خودمختار و بررسی روشهای آن، چارچوبهای مختلف آن نیز بیان میگردد. ادامه مقاله بدین شرح میباشد: در بخش دوم رایانش خودمختار را بیان میکنیم و انواع آن را نام میبریم، بخش سوم چارچوبهای ارایه شده در رایانش خودمختار را بیان میکنیم و در بخش چهارم نتیجهگیری و پیشنهادات بیان میشوند
-2 رایانش خودمختار:
فرآیند مقیاس پذیری خودکار، که IBM برای رسیدن به رایانش خودمختار ارائه داده است به عنوان متدولوژی حلقوی MAPE8 نیز نامیده میشود [3] - شکل - 1 که شامل چهار فاز اصلی مانیتورینگ، تحلیل، برنامه ریزی و اجرا است. ابتدا، یک سیستم مانیتورینگ، اطلاعاتی در مورد وضعیت برنامه کاربردی و سیستم جمع آوری میکند. Auto-Scaler که متولی فازهای تحلیل و برنامه ریزی است، از فاز مانیتورینگ، برای تخمین میزان بهرهوری منابع و تقاضاهای آتی استفاده کرده و یک عمل مقیاس پذیری مناسب - مانند حذف یا اضافه کردن ماشین مجازی - را برنامه ریزی میکند. ارائه دهنده، در نهایت اعمال درخواست شده توسط Auto-Scaler را اجرا خواهد کرد. فازهای حلقه MAPE با جزییات بیشتر در ادامه بیان میگردد.
-2-1 مانیتورینگ
یک سیستم خود مختار، به یک سیستم مانیتورینگ نیاز دارد تا اندازه گیریهایی - شاخص هایی - را در مورد تقاضاهای کاربران، وضعیت سیستم و برنامه کاربردی و انطباق با SLA مورد انتظار، بدست آورد. زیر ساخت های ابری از طریق یک واسط برنامه کاربردی - - API9، به اطلاعات مفیدی در مورد ارائه دهنده - به عنوان مثال، بررسی عملکرد صحیح زیر ساخت ها و سطح بهره وری آنها - و مشتری - به عنوان مثال، بررسی انطباق با معیارهای - SLA دسترسی دارند. تصمیمات مقیاس بندی، بر اساس اطلاعات مفید حاصل از مانیتورینگ، گرفته شده و معیارهای کارایی، مرتبا بروز رسانی می گردند.
کارایی Auto-Scaler، به کیفیت معیارهایی قبیل: میزان بهره وری CPU، میزان حافظه مورد استفاده، دسترسی به دیسک، اندازه طول صف درخواست، متوسط تعداد کارها در صف، زمان صف بندی کار، نرخ نشست ها، تعداد نشست ها، تعداد نشست های فعلی، تعداد درخواست های رد شده، تعداد خطاها، بایتهای انتقال داده شده و غیره بستگی دارد. وقتی با برنامه های کاربردی مستقر در ابر کار می کنید، بعضی از معیارها از طریق ارائه دهنده، بعضی دیگر از طریق سیستم عامل میزبانی که برنامه کاربردی روی آن پیاده سازی شده و بعضی دیگر از طریق خود برنامه کاربردی بدست می آیند. از آنجاییکه مقیاس بندی اتوماتیک، عمدتاً به بخش های برنامه ریزی و تحلیل حلقه MAPE مرتبط است، آن چنان روی فاز مانیتورینگ متمرکز نمی شویم و فرض می کنیم یک ابزار مانیتورینگ مناسبی در دسترس است که معیارهای مختلف در مورد سیستم و وضعیت فعای برنامه کاربردی را جمع آوری و بروز رسانی میکند.
-2-2تحلیل
فاز تحلیل، با پردازش معیارهای جمع آوری شده از سیستم مانیتورینگ، سر و کار دارد و با پردازش این معیارها، داده هایی در مورد وضعیت بهره وری فعلی سیستم و پیش بینی هایی از نیازهای آتی، بدست می آورد. بعضی Auto-Scaler ها، هیچ نوع پیش بینی انجام نمی دهند و فقط به وضعیت جاری سیستم پاسخ می دهند که به آنها واکنشی می گوییم، اما برخی دیگر از Auto-Scaler ها، از تکنیک های پیچیده ای برای پیش بینی تقاضاهای آتی به منظور تنظیم منابع به اندازه پیش بینی شده، استفاده می کنند، که به آنها پیش کنشی می گوییم.
پیش بینی تقاضاهای آتی مهم است زیرا همیشه یک تاخیر زمانی از لحظه اجرا شدن عمل مقیاس بندی اتوماتیک - مثلا اضافه کردن ماشین مجازی - تا مؤثر واقع شدن عمل - به دلیل راه اندازی مجدد سیستم، برای عملیاتی شدن یک ماشین مجازی چند دقیقه زمان لازم است - وجود دارد. سیستم های واکنشی، قادر به مقیاس بندی ترافیک های ناگهانی بار کاری ورودی نیستند و به همین دلیل از رویکردهای پیش کنشی، به منظور برخورد با نوسانات تقاضا و تأمین پیشاپیش منابع استفاده میشود.
-2-3 برنامه ریزی
وقتی وضعیت آینده سیستم، مشخص یا پیش بینی شد، Auto-Scaler، مسئول چگونگی برنامه ریزی برای مقیاس بندی منابع انتساب داده شده به یک برنامه کاربردی به منظور پیدا کردن یک توازن رضایت بخش بین حداقل سازی هزینه و توافقات SLA میباشد. تصمیمات مقیاس بندی، شامل حذف یا اضافه کردن ماشین های مجازی می باشد. این تصمیمات مقیاس بندی، بر اساس دادههای بدست آمده از فاز تحلیل مستقیماً از فاز مانیتورینگ، اهداف SLA و همچنین دیگر فاکتورهای مرتبط با زیرساخت ابر مانند مدل قیمت گذاری و زمان راه اندازی ماشین مجازی، گرفته خواهند شد. این فاز، هسته اصلی هر روش مقیاس بندی اتوماتیک است.
-2-4 اجرا
این فاز، شامل اجرای واقعی تصمیمات مقیاس بندی تعیین شده توسط فاز برنامه ریزی است. به عبارتی دیگر، این فاز، یک فاز سر راست و مستقیم است که از طریق API ارائه دهنده ابری، پیاده سازی می شود و پیچیدگی های ذاتی و واقعی را از دید مشتری مخفی می کند.
-3 چارچوبهای ارائه شده در رایانش خودمختار
-3-1 چارچوب FOSII
ما اجرای نمونهی اولیه برای حلقهAMAPE-K را که حلقه توسعه یافتهی MAPE-K است و شامل یک فاز انطباق علاوه بر فازهای حلقهی MAPE است، را در زمینه زیرساختهای FoSII - شکل - 2 با استفاده از تکنیکهای مدیریت دانش 10که یکی از آن تکنیکها مبتنی بر منطق و استدلال است - CBR - ارائه میدهیم .[4]
