زمان بندی انرژی – آگاه ماشین های مجازی در سیستم های رایانش ابری ناهمگون

توضیحات

زمان بندی ماشین مجازی انرژی –  آگاه در سیستم های رایانش ابری ناهمگون

رایانش ابری

رایانش ابری به عنوان یک مدل تجاری جدید رایانشی و ذخیره سازی منابع مبتنی بر دسترسی برحسب تقاضا به حجم قابل توجهی از قابلیت های دیتا سنتر راه دور معرفی شده است . به علت رشد سریع رایانش ابری دیتا سنترهای زیادی با موفقعیت نصب شده اند . به هر حال این گونه دیتا سنترها برنامه های زیادی را اجرا می کنند که نه تنها حجم رایانشی و ظرفیت ذخیره سازی قابل توجهی را مصرف می کنند بلکه مقدار زیادی انرژی را نیز مصرف می کنند .

براساس گزارشات ارائه شده ،

دیتا سنترهای امریکا ۳ درصد از کل انرژی برق را در ۲۰۱۱ مصرف کرده اند و هزینه های عملیاتی آنها از هرینه لازم برای خرید سخت افزارهای سرور در سال ۲۰۱۵ بیشتر بوده است . با در نظر گرفتن این حقایق ، کاهش انرژی مصرفی وهزینه های ناشی از آن به نگرانی این روزهای اپراتورهای دیتا سنترها تبدیل شده است، بنابراین کاهش انرژی مصرفی از طریق زمان بندی ماشین مجازی از اهمیت فوق العاده ایی برخوردار است ….

چکیده:

با توسعه سریع رایانش ابری ،

چگونگی کاهش انرژی مصرفی ضمن بالا نگه داشتن ظرفیت رایانشی به چالش مهمی تبدیل شده است . الگوهای فعلی زمان بندی ماشین  مجازی (WM) اساسا تمرکز خود را بر روی بهبود و ارتقاء بهره وری منابع خوشه و کاهش توان مصرفی قرار داده اند . این کار را از طریق بهبود الگوریتم bin-packing انجام داده اند. به هر حال در سناریوهای واقعی اجرای کاربردها و برنامه های مختلف حساس به منابع بر روی VM ها اثرات قابل توجهی بر روی کارایی سیستم و انرژی مصرفی دارد . علاوه بر آن اوج بار آنی می تواند منجر به زمان بندی اشتباه شود و همین امر نیز سبب تاثیرات قابل توجهی بر روی بهینگی انرژی الگوریتم های زمان بندی می شود .

در این مقاله

، روش زمان بندی جدیدی با نام preAntPolicy برای زمان بندی ماشین مجازی پیشنهاد شده است که دربرگیرنده یک مدل پیش بینی مبتنی بر ریاضیات فراکتال و یک زمان بند مبتنی بر الگوریتم بهبود یافته کولونی مورچه است . مدل پیش بینی از طریق پیش بینی تمایل بار شروع به کار اجرای زمان بند را مشخص می کند و زمان بند نیز مسئولیت زمان بندی منابع ضمن به حداقل رساندن انرژی مصرفی تحت ضمانت کیفیت سرویس (QoS)  را بر عهده دارد . از طریق آنالیزهای وسیع و انجام شبیه سازی های مختلف و استفاده از بارهای کاری واقعی مربوط به رایانش خوشه های گوگل ، نتایج حاصل از عملکرد و کارایی نشان می دهند که روش پیشنهادی دارای بهره وری منابع و بهینگی انرژی عالی است .

علاوه بر آن این روش برای برنامه های شدت – منابع ( برنامه هایی که نیاز زیادی به منابع دارند )  در یک محیط رایانشی ناهمگون یک مدل بهینه ظرفیت پویا را ارائه کرده است و می تواند مصرف منابع سیستمی و انرژی را در هنگامی که زمان بندی توسط بارهای اوج آنی شروع می شوند ،کاهش دهد .

واژگان کلیدی :

• رایانش ابری ،
• تخصیص منابع ،
• بهینگی انرژی ،
• مدل پیش بینی فراکتال ،
• برنامه های شدت – منابع