بخشی از مقاله
چکیده
امروزه مصرف انرژی با رشد استفاده منابع افزایش پیدا می کند تخصیص نامناسب ماشینهای مجازی به میزبانهای فیزیکی موجب هدر رفتن انرژی بیشتری میشود. در این شرایط تخصیص بهینه ماشینهای مجازی باعث کاهش تعداد مهاجرتها در بین میزبانهای فیزیکی شده و در نتیجه مصرف انرژی کاهش می یابد.روش پیشنهادی این مقاله بر اساس کاهش مصرف انرژی بوسیلهی تخصیص بهینهی ماشینهای مجازی به میزبانهای فیزیکی با استفاده از ایجاد دستههایی از ماشینهای مجازی که دارای بار متوازن نسبت بهم میباشد، قراردادهشدهاست.
خاصیت توازن بار با بکارگیری خاصیت سری بایتونیک در محیط ایجاد میگردد. سری بایتونیک جهت کارهای موازیسازی استفاده میشود و یک سری صعودی-نزولی و یا نزولی-صعودی است که اعداد طوری در کنار هم قرار میگیرند که بهطور یکنواخت صعودی یا نزولی نیستند. ارزیابیهای انجام شده نشان میدهد که با تخصیص مناسب ماشینهای مجازی می توانیم مصرف انرژی را به حداقل برسانیم. با توجه به نتایج آزمایشها در محیط ناهمگن و ایستا تعداد مهاجرتها به میزان %23/25 و انرژی مصرفی به میزان %25 بهبود داشته است.
-1 مقدمه
برای پرداختن به مشکل افزایش مصرف انرژی در محیط محاسبات ابری، منابع مرکز داده بایستی با روشی انرژی کارآمد مدیریت شوند. تضمین کیفیت خدمات برای محیطهای محاسبات ابری لازم هستند. جهت دستیابی به مصرف انرژی کمتر از جمله راه حلهایی که در نظر گرفته میشود تخصیص مناسب ماشینهای مجازی1 به میزبان های فیزیکی2 میباشد بهگونهای که بتوان کارایی را حفظ کرد.
جهت دستیابی به کاهش توان مصرفی در محیط محاسبات ابری تاکنون راهکارهایی در ارتباط با توازن بار[14] 3،تخصیص1 مناسب ماشینهای مجازی به میزبانهای فیزیکی 11]،10،[7، برقراری کیفیت سرویس2، مهاجرت3 و تجمیع13] 4،8،6،[5 ماشینهای مجازی انجام شده است که هر کدام بسته به کاربردی که داشته اند نتایجی از جمله کاهش نقض قرارداد5، کاهش تعداد مهاجرتها، بهرهوری مناسب پردازنده ها، کاهش توان عملیاتی پردازندهها، کاهش زمان پاسخ و ... را بدنبال داشته اند که در نهایت منجر به کاهش انرژی مصرفی در محاسبات ابری شده اند. با وجود تمام راهکارهایی که تاکنون ارائه شدهاست مسئلهی کاهش مصرف انرژی یک مسئله بهینهسازی میباشد و میتوان آن را از جنبهی هر یک از راهکارهای ارائهشده در گذشته از ابعاد مختلف مورد بررسی قرارداد؛ یکی از این مسائل تخصیص مناسب ماشینهای مجازی به میزبانهای فیزیکی میباشد.
چنانچه محیط محاسبات ابری با کاربران مختلف، تعدادی وظایف و ماشینهای مجازی و میزبان های فیزیکی درنظر گرفته شود آنگاه ابتدا کاربران وظایف را ایجاد کرده و سپس با این وظایف به ماشینهای مجازی واگذار میشود پس از آن هر یک از ماشین های مجازی جهت اجرا برروی یک میزبان فیزیکی قرار میگیرد بهطوریکه پس از مرحلهی تخصیص ماشینهای مجازی به میزبانهای فیزیکی، برروی هر میزبان فیزیکی یک و یا چندین ماشین مجازی قرارداده شدهاست. مسئلهی تخصیص مناسب منابع و در نهایت ایجاد توازنبار با حفظ کارایی در محیط محاسبات ابری مسئلهای [1] NP-hard میباشد.
چالش پیشرو در این تحقیق کاهش انرژی مصرفی می باشد بنابراین قصد داریم در این مقاله بر روی اختصاص مناسب ماشینهای مجازی به میزبانهای فیزیکی کار کنیم در مسئلهی تخصیص ماشینهای مجازی به میزبان های فیزیکی از جمله مسائلی که در نظر گرفته میشود کم کردن تعداد مهاجرتها است که پیامد آن کاهش مصرف انرژی میباشد که این امکان را سعی داریم با استفاده از سری بایتونیک در تخصیص وظایف به منابع فراهم آوریم بهطوریکه خاصیت توازنبار را ایجاد کنیم.
ادامهی مطالب این مقاله بهصورتی که در ادامه شرح داده شده، سازماندهی گردیده است: در بخش دوم روشهای قبلی انجام شده در مدیریت ماشینهای مجازی و روشهای مهاجرت و کاهش مصرف انرژی آنها مانند توزیع منصفانه بارکاری [9] که دستاورد آن تجمیع بهینه است، تخصیص منابع چندبعدی [12] که با درنظر گرفتن کارایی باعث بهبود انرژی مصرفی میگردد، الگوریتم بهینهسازی چندمنظوره [14] که هدف آن کاهش توان مصرفی، دستیابی به توازن بار خوب و کوتاه کردن زمان مهاجرت ماشین مجازی است، تکنیک مهاجرت ماشینمجازی انرژی محور که براساس الگوریتم کرم شبتاب [8] ارائه شدهاست و مصرف انرژی وتعداد مهاجرتها را بهبود داده است؛ شرح داده میشود. در بخش سوم ، روش پیشنهادی معرفی شدهاست. سپس در بخش چهارم پس از تعریف پارامترهای ارزیابی به کمک آنها روش پیشنهادی را مورد تجزیه و تحلیل قرار میدهیم. در نهایت، در بخش پنجم به نتیجهگیری کار انجامشده میپردازیم.
-2 مرور ادبیات
در سال 2013 آقای Lei و همکارانش [9] به بررسی مشکل منصفانه بودن توازنبار برروی چندین سرور که در مرکز داده مجازیسازی شدهاند پرداختند. همچنین آنها برروی برنامههای چندلایهای با نیازهای منبع متفاوت در هر لایه تمرکز کردهاند و اینکه در هر لایه چگونه هر برنامه با منابع منطبق باشد را تعیین کردند؛ بهطوریکه تداخل کارایی را به حداقل برسانند. برای مقابله با مشکل موجود محققین یک رویکرد دو مرحلهای را پیشنهاد دادند: ابتدا طرح توازنبار منصفانه را ارائه دادند که ماشین های مجازی متفاوت را از طریق سرورهای متفاوت تعیین می کند؛
این فرایند به عنوان یه مشکل زمانبندی بردار چند بعدی 1 فرموله سازی می شود که از طرح تخمین چندجملهای جدید برای حداقل کردن حداکثر بهرهوری از طریق تمام منابع سرور و نتایج در راهحل توازنبار چندگانه استفاده کردهاست. سپس یک مدل تحلیلی شبکه صف بندی را برروی راهحل min-max پیشنهاد شده بکار گرفتهاند. تا پاسخ بهینه انتخاب شود.
نتایج ارزیابی آن ها نشان میدهد که همیشه استراتژی تجمیع بهینه پیشبینی می گردد. و زمانیکه مشکلی در تجمیع آفلاین دیده میشود میتوان با خاصیت توازنبار در روش آنلاین، تکنیک پیشبینی کارایی تجمیع را استفاده نمود و به مسئلهی تصمیمگیری تأمین ذخیرهی پویا بهخوبی کمک کرد.
در سال 2014 آقای Wang و همکارانش [12] به بررسی یک الگوریتم تخصیص منابع چندبعدی مؤثر برای مراکز داده مجازی بر اساس سیاست پیشنهادی توسعهی ماشین مجازی چندبعدی پرداختند. الگوریتم توسعه یافته ی ماشین مجازی در این مقاله توازن خوبی بین انرژی و کارایی با حداقل کردن تعداد سرورهای ذخیره سازی با حداکثر کردن زمان اشتراک ماشینهای مجازی میزبانشده بر روی یک سرور دست یافتهاست. در این روش براساس مکاشفهی حریصانه یک راه حل نزدیک به بهینهی مناسب برای بهره انرژی مورد بحث قرار میگیرد. نتایج نشان میدهد که استراتژی پیشنهادی باعث ذخیره انرژی مناسبی با قابلیت دستیابی به کیفیت سرویس میشود.
در سال 2015 آقای Qinghua و همکارانش [14]مسئلهی تجمیع را بهعنوان یک مسئلهی بهینهسازی چندمنظوره که سه هدف کاهش توان مصرفی، دستیابی به توازن بار خوب و کوتاه کردن زمان مهاجرت ماشین مجازی را برآورده میسازد فرموله کردند. محققین یک الگوریتم بهینهسازی چندمنظوره براساس بهینهسازی زیست جغرافیایی2 برای مسئلهی تجمیع ماشینهای مجازی پیشنهاد دادهاند. بهطوریکه آن را الگوریتم بهینهسازی زیست جغرافیایی چندمنظوره پیوندی با تکامل ضریب متغیر3 نامیدهاند. و اینگونه عمل می کند که با استفاده از کسینوس4 مدل مهاجرت، استراتژیهای تفاضلی و مدل جهش گوسین5 کیفیت اصلی را بهبود میدهد و میتواند راهحلهای بهینه را پیدا کند.
در سال 2016 آقای Kansal و همکارانش [8]تکنیک مهاجرت ماشینمجازی انرژی محور که براساس الگوریتم کرم شبتاب است را برای محاسبات ابری پیشنهاد کردند. تکنیک پیشنهادی محققین مقاله ماشینهای مجازی بیش از حد بارشده را به گره ی فعالی که کمترین میزان بار را دارد و همچنین کمترین میزان انرژی را مصرف میکند، مهاجرت داده بهطوریکه کارایی و انرژی مؤثر مراکز داده را حفظ کند؛ و بهطور کلی شامل چهار مرحله است:
الف- انتخاب گرهی منبع، ب- انتخاب ماشینهای مجازی، ج - انتخاب گرهی مقصد، د- بروز رسانی مقادیر فاصله که به صورت دوره ای انجام میشود. تأثیر تکنیک پیشنهادی در مقایسه با دیگر الگوریتمهای ارائهشده برای محاسبات ابری مشخص میگردد، بعلاوه محققین میانگین انرژی مصرفی حدود %44/39 با کاهش % 72/34 تعداد مهاجرتها و ذخیرهسازی % 36/34 میزبانها را بدست آوردهاند؛ که موجب شده است مرکزداده انرژیمحور باشد.
