دانلود مقاله ترجمه شده isi

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

در این مقاله الگوریتم MACOLB برای بهبود زمانبندی وظایف ابر برای حفظ تعادل بار ارائه شده است. MACOLB برای پیدا کردن تخصیص منابع بهینه برای وظایف دسته‌ای در سیستم ابر پویا و به حداقل رساندن makespan وظایف در کل سیستم استفاده می‌شود.

چکیده:

محاسبات ابری نوعی از سیستم‌های موازی و توزیع شده شامل مجموعه‌ای از کامپیوترهای به هم متصل و مجازی است. با افزایش تقاضا و مزایای زیرساخت‌های محاسبات ابری، انواع مختلفی از محاسبات را می‌توان در محیط ابر اجرا کرد. یکی از مسائل اساسی در این محیط مرتبط با زمان‌بندی وظیفه است. زمان‌بندی وظیفه ابر یک مسئله‌ی بهینه‌سازی NP-سخت است، و بسیاری از الگوریتم‌های فرااکتشافی برای حل آن پیشنهاد شده است.

زمانبند وظیفه خوب باید استراتژی زمان‌بندی خود را با محیط در حال تغییر و انواع وظایف وفق دهد. در این مقاله یک سیاست زمان‌بندی وظیفه ابر بر اساس الگوریتم بهینه‌سازی کلونی مورچه‌ها برای تعادل بار در مقایسه با الگوریتم‌های زمان‌بندی‌های مختلف مطرح شده است. الگوریتم مورچگان (ACO) روش جستجو بهینه‌سازی تصادفی است که برای تخصیص کارهای ورودی به ماشین های مجازی استفاده می‌شود.

سهم اصلی این مقاله، تعادل بار سیستم در حال تلاش برای به حداقل رساندن makespan مجموعه وظایف داده شده است. عامل تعادل بار، مربوط به نرخ اتمام وظایف، برای نرخ اتمام کار در منابع مختلف مشابه و بهبود توانایی حفظ تعادل بار است. استراتژی زمان‌بندی پیشنهادی با استفاده از بسته ابزار Cloudsim شبیه‌سازی شده است. نتایج تجربی نشان می‌دهد که، الگوریتم MACOLB درجه نامتعادلی بین ماشین‌های مجازی موجود را کاهش و عملکرد کلی را افزایش می‌دهد.

شاید این مقاله هم به دردتان بخورد  مقاله مروری بر امنیت سرویس‌های وب

۱٫ مقدمه

محاسبات ابری به عنوان یک مدل محاسباتی برای انواع حوزه‌های برنامه‌های کاربردی استفاده شده، توجه زیادی به دست آورده است. سرویس‌های محاسبات ابری به کاربران اجازه می‌دهند منابع محاسباتی را در قالب ماشین های مجازی (VMS) از مراکز داده در مقیاس بزرگ توسط ارائه دهندگان سرویس‌ها اجاره کنند [۱]. با استفاده از سرویس‌های ابر، کاربران ابر می‌توانند طیف گسترده‌ای از برنامه‌های کاربردی را به صورت پویا و بر اساس تقاضا معمولاً از سه جنبه اساسی مورد توجه مستقر کنند: زیرساخت به عنوان یک سرویس (IaaS)، پلت فرم به عنوان سرویس (PaaS) و نرم افزار به عنوان سرویس (SaaS) [2 ]. بیشتر ارائه دهندگان سرویس‌های ابر از ماشین مجازی برای ارائه اشتراک‌گذاری منابع انعطاف‌پذیرتر و مقرون به صرفه‌تر استفاده می‌کنند. این مسئولیت ارائه دهندگان سرویس‌های ابر برای مدیریت منابع خود به روشی کارآمد برای ایجاد منابع مورد نیاز بر اساس تقاضا به کاربران ابر می‌باشد. مصرف کنندگان قادر به دسترسی به برنامه‌ها و داده‌ها از ابر در هر نقطه از جهان بر اساس تقاضا خواهند بود [۳].

به عبارت دیگر، ابر به نظر می‌رسد یک نقطه دسترسی برای همه نیازهای محاسبات مصرف کنندگان است. تخصیص دستی وظایف به منابع محاسباتی در ابرها به دلیل صدها هزار ماشین مجازی (VMS) دشوار است [۴]. بنابراین، الگوریتم‌های کارآمدی برای زمانبندی وظایف در محیط ابر با هدف قرار دادن منابع استفاده نشده (ماشین‌های مجازی) برای کار و توزیع بار در آن‌ها مورد نیاز است. یک زمانبند وظیفه خوب باید استراتژی زمانبندی خود را با محیط در حال تغییر و انواع وظایف [۵، ۶] وفق دهد. بنابراین، یک الگوریتم زمان‌بندی وظیفه پویا بر اساس بهینه‌سازی کلونی مورچه‌ها (ACO)، برای ابرها مناسب است.

شاید این مقاله هم به دردتان بخورد  تعادل بار وظایف الهام گرفته از رفتار زنبور عسل در محیط رایانش ابری

الگوریتم ACO الگوریتم جستجوی تصادفی است [۷]. این الگوریتم از مکانیزم بازخورد مثبت و تقلید رفتار واقعی مورچه در طبیعت برای جستجوی غذا و ارتباط با یکدیگر توسط فرمون گذاشته در مسیر سفر استفاده می‌کند. محققان بسیاری از ACO برای حل مسائل NP-سخت مانند مسئله فروشنده دوره‌گرد، مسئله رنگ‌آمیزی گراف، مسئله مسیریابی خودرو و مسله زمانبندی استفاده کرده‌اند [۲، ۸]. در این مقاله، زمابندی وظایف ابر بر اساس اصلاح بهینه‌سازی مورچگان برای تعادل بار (MACOLB) برای زمابندی وظایف ابر ارائه شده است. در این مقاله از الگوریتم MACOLB برای پیدا کردن تخصیص بهینه منابع برای وظایف در سیستم پویای ابر برای به حداقل رساندن makespan وظایف در کل سیستم و افزایش عملکرد با تعادل بار سیستم استفاده شده است.

سپس، این استراتژی زمانبندی با استفاده از ابزار Cloudsim شبیه‌سازی شده است. نتایج تجربی در مقایسه با ACO و MACO انتظارات را برآورده می‌کند. الگوریتم پیشنهادی عملکرد بهتری نسبت به الگوریتم‌های زمانبندی که بر اساس ACO اصلی یا الگوریتم مورچگان اصلاح شده(MACO) هستند، دارد. الگوریتم MACOLB درجه نامتعادلی بین ماشین‌های مجازی موجود را کاهش می‌دهد و باعث افزایش عملکرد کلی می‌شود. مقاله به شرح زیر سازمان یافته است. بخش ۲ معرفی پیش‌زمینه و اسکن کارهای پیشین می‌باشد. ابزار Cloudsim در بخش ۳ ارائه شده است. بخش ۴ جزئیات زمانبندی وظیفه ابر بر اساس ACO، MACO و الگوریتم MACOLB را پوشش می‌دهد. نتایج پیاده‌سازی و شبیه‌سازی در بخش ۵ دیده می‌شود. در نهایت، بخش ۶ این مقاله نتیجه گیری است.

شاید این مقاله هم به دردتان بخورد  رویکرد جدید تعادل بار در محاسبات ابری

Intelligent Strategy of Task Scheduling in Cloud Computing for Load Balancing

Abstract: Cloud computing is a type of parallel and distributed system consisting of a collection of interconnected and virtual computers. With the increasing demand and benefits of cloud computing infrastructure, different computing can be performed on cloud environment. One of the fundamental issues in this environment is related to task scheduling.

Cloud task scheduling is an NP-hard optimization problem, and many meta-heuristic algorithms have been proposed to solve it. A good task scheduler should adapt its scheduling strategy to the changing environment and the types of tasks. In this paper a cloud task scheduling policy based on ant colony optimization algorithm for load balancing compared with different scheduling algorithms has been proposed. Ant Colony Optimization (ACO) is random optimization search approach that will be used for allocating the incoming jobs to the virtual machines.

The main contribution of our work is to balance the system load while trying to minimizing the makespan of a given tasks set. The load balancing factor, related to the job finishing rate, is proposed to make the job finishing rate at different resource being similar and the ability of the load balancing will be improved. The proposed scheduling strategy was simulated using Cloudsim toolkit package. Experimental results showed that, MACOLB algorithm decrease the degree of imbalancing between available virtual machines and increase the overall performance.

این ترجمه مقاله را با دوستان خود به اشتراک بگذارید.

درباره احسان رضایی

سفارش ترجمه آنلاین خدمات ترجمه مقاله isi به صورت فوری کاهش هزینه و زمان در سفارش ترجمه آنلاین

ارسال دیدگاه

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *