بخشی از مقاله
چکیده :امروزه مساله مصرف انرژی و در نتیجه افزایش تولید گازهای گلخانه ای به چالش مهم در دنیای رایانش ابری مبدل شده است .مراکز داده ابرها از هزاران گره محاسباتی تشکیل شده است.چنین مراکز داده ای طبیعتا انرژی بالایی دارند که منجر به افزایش گازهای گلخانه ای می شود. این میزان مصرف انرژی تنها وابسته به تعداد منابع محاسباتی و بازده انرژی سخت افزاری نیست بلکه به شکل استفاده از این منابع نیز است . در این پژوهش با یک روش مهاجرت منبع و بهینه سازی جایگذاری منابع مبتنی بر الگوریتم ژنتیک و جاذبه گرانشی با در نظر گرفتن سود کاربر و فراهم کننده ، سعی در کاهش مصرف انرزی داشته ایم .
با توجه به این که نیازمندیهای کیفیت سرویس برآورده شود. این کنترل کننده، بهینهسازی را با تلاش برای یافتن جایگشت جدیدی از ماشین های مجازی که تعداد سرورها را کمینه میکند و با تعداد محدودی از انتقالها سروکار دارد، انجام میدهد. کنترل کننده، عمل جایگذاری ماشین های مجازی را براساس حداکثر استفاده منبع در طول دوره زمانی از زمان آخرین تخصیص مجدد انجام میدهد، که به طور تجربی چهار ساعت تعیین شده است..[2]
برت و همکاران - 2007 - ، مدل محاسبات ابری، ماشین های مجازی را بر اساس تقاضای مشتریان و مقدار هزینه ای که پرداخت می کنند، به آنها اجاره می دهد به جای تحمیل هزینه در خرید زیر ساختهای فن آوری اطلاعات و هزینه های ناشی از تعمیر و نگهداری و ارتقا سخت افزار و نرم افزار سازمانها می توانند نیازهای محاسبات خود را به ابر بسپارند. با ظهور فناوری مجازیسازی این امکان فراهم شده که منابع محاسباتی در قالب ماشینهای مجازی مورد استفاده قرار گیرند.
بهبود بهرهوری منابع، کاهش هزینهها و راحت شدن مدیریت سرورها از جمله مزایای مهم این فناوری می باشد. با استفاده از این فناوری این امکان محقق شد که رویای دیرینه محاسبات به عنوان یک سرویس در قالب رایانش ابری محقق گردد. امروزه خدمات رایانش ابری براساس مدل "پرداخت در ازای استفاده" بنا نهاده شده است و هم اکنون چندین شرکت بزرگ به ارائه این سرویسها میپردازند.[3 ]
روش پیشنهادی
در روش پیشنهادی،به منظور کاهش زمان و هزینه اجرای کارهاو کاهش هزینه ارائه سرویس برای سرویس دهنده از قابلیت مجازی سازی و انتقال زنده ماشین های مجازی استفاده می کنیم.
1؛-1 تشکیل جمعیت اولیه
ماشین های مجازی یک هاست می تواندمتفاوت باشد.
2؛-1 تعریف کردن تابع برازندگی1
میزان مناسب بودن هر کروموزوم تعیین می شود.در این مرحله دو نوع تابع برازندگی بر اساس سود کاربر و فراهم کننده تعریف می کنیم که در تابع اول سود کاربر و در تابع دوم سود فراهم کننده سرویس در نظر گرفته شده است .از قوانین شکل 1 برای تابع برازندگی نوع اول استفاده می کنیم: و از قوانین شکل 2 برای تابع برازندگی نوع دوم استفاده می کنیم.
تعدادی کروموزوم ساخته می شود که هر کروموزوم شامل تعدادی ژن است .هر کروکوزوم بیانگر یک هاست است و ژن ها، ماشین های مجازی هستند که طول هر کروموزوم بسته به تعداد در تعریف این قوانین فرض بر این می گذاریم که منابعی که هزینه بیشتری دارند کمتر استفاده شوند و منابع با هزینه کمتر در اختیار کارهای با طول بیشتر قرار داده شود. بدیهی است این قوانین طبق سیاست مدیریتی فراهم کننده می باشد .
بعد از نمره دهی به هر ژن ،مجموع نمرات کسب شده برای ژن به عنوان نمره یک کروموزوم در نظر گرفته می شود. از تابع برازندگی نخست برای انتخاب کردن هاستی که به علت بار کاری زیاد ، باید ماشین های مجازی آن به هاست بهتر از دیدگاه توان محاسباتی و میزان بار محاسباتی فرستاده می شود و همچنین برای انتخاب کردن هاستی که پذیرنده ماشین های مجازی می باشداستفاده کنیم . سعی بر این است که تعادل بار برقرار باشد .توضیحات فوق در قالب یک مثال آورده شده است .فرض می کنیم 10 کروموزوم - هاست - داریم که کروموزوم اول دارای سه ژن - ماشین مجازی - است.
ماشین مجازی 1 :توان محاسباتی منبع: 500 ، طول کار درخواستی: 200، هزینه ارائه سرویس برای سرویس دهنده : 2 ، بهره وری پردازنده : %60 ماشین مجازی 2 :توان محاسباتی منبع : 300 ، طول کار درخواستی : 900، هزینه ارائه سرویس برای سرویس دهنده : 6 ، بهره وری پردازنده : %70 ماشین مجازی 3 :توان محاسباتی منبع : 900، طول کار درخواستی : 100، هزینه ارائه سرویس برای سرویس دهنده : 5 ، بهره وری پردازنده : %60 برای هر ده کروموزوم دو تابع برازندگی محاسبه می شود .
توان محاسباتی منبع : کم 100} تا {300،متوسط 301} تا {700،زیاد 701} تا {1000 طول کار درخواستی : کم 100} تا {300،متوسط 301} تا {700،زیاد 701} تا {1000 برای بازه کم مقدار 2، برای بازه متوسط مقدار 4و برای بازه زیاد مقدار 7 را در نظر گرفته ایم . برای تابع برازندگی هر کروموزوم نمره تمامی ژن های آن را جمع می کنیم و مقدار تابع برازندگی آن را جمع می کنیم . ماشین مجازی یک برای مقدار توان محاسباتی منبع در بازه متوسط و برای طول کار درخواستی در بازه کم را شامل می شود پس قانون شش اجرا می شود یعنی نمره برای ژن اول 4 می شود .
ماشین مجازی دو برای مقدار توان محاسباتی منبع در بازه کم و برای طول کار درخواستی در بازه زیاد را شامل می شود پس قانون هفت اجرا می شود یعنی نمره برای ژن اول 2 می شود . ماشین مجازی سه برای مقدار توان محاسباتی منبع در بازه زیاد و برای طول کار درخواستی در بازه کم را شامل می شود پس قانون سه اجرا می شود یعنی نمره برای ژن اول 2 می شود .پس تابع برازندگی اول برای کروموزوم اول مقدار 4+2+2=8 می شود . برای ده کروموزوم محاسبه می شود . این مقدار هشت برای تابع برازندگی اول استفاده می شود.
برای محاسبه تابع برازندگی دوم برای کروموزوم اول : هزینه سرویس برای سرویس دهنده : کم 1} تا {3، متوسط 4} تا {7، زیاد 8} تا {10طول کار درخواستی : کم 100} تا {300، متوسط 301} تا {700، زیاد 701} تا {1000 ماشین مجازی 1 برای مقدار هزینه سرویس برای سرویس دهنده در بازه کم و برای طول کار درخواستی مقدار کم را شامل می شود ، قانون شماره نه اجرا می شود یعنی نمره برای ژن اول مقدار 2 می شود . ماشین مجازی 2 برای مقدار هزینه سرویس برای سرویس دهنده در بازه متوسط و برای طول کار درخواستی مقدار بالا را شامل می شود ، قانون شماره چهار اجرا می شود یعنی نمره برای ژن دوم مقدار 4 می شود .
