دانلود رایگان مقاله حافظه مشترک توزیع شده مبتنی بر مهاجرت زنده ماشین مجازی
ترجمه رایگان

دانلود رایگان مقاله حافظه مشترک توزیع شده مبتنی بر مهاجرت زنده ماشین مجازی

عنوان فارسی مقاله: حافظه مشترک توزیع شده مبتنی بر مهاجرت زنده ماشین مجازی
عنوان انگلیسی مقاله: Distributed Shared Memory based Live VM Migration
کیفیت ترجمه فارسی: مبتدی (مناسب برای درک مفهوم کلی مطلب)
مجله/کنفرانس: کنفرانس بین المللی رایانش ابری - International Conference on Cloud Computing
رشته های تحصیلی مرتبط: مهندسی کامپیوتر
گرایش های تحصیلی مرتبط: هوش مصنوعی - رایانش ابری یا محاسبات ابری - معماری سیستم های کامپیوتری 
کلمات کلیدی فارسی: ماشین مجازی - مجموع مدت زمان مهاجرت - زمان خرابی - حافظه مشترک توزیع شده - ماشین فیزیکی - HPC
کلمات کلیدی انگلیسی: Virtual Machine - Total Migration Time - Down Time - Distributed Shared Memory - Physical Machine - HPC
شناسه دیجیتال (DOI): https://doi.org/10.1109/CLOUD.2016.0116
لینک سایت مرجع: https://ieeexplore.ieee.org/document/7820353/authors#authors
دانشگاه: گروه مهندسی برق و کامپیوتر، دانشگاه کنکوردیا، مونترال، کانادا
صفحات مقاله انگلیسی: 5
صفحات مقاله فارسی: 15
ناشر: آی تریپل ای - IEEE
نوع ارائه مقاله: کنفرانس
سال انتشار مقاله: 2016
مبلغ ترجمه مقاله: رایگان
ترجمه شده از: انگلیسی به فارسی
کد محصول: F2117
نمونه ترجمه فارسی مقاله

چکیده

        مهاجرت زنده ماشین مجازی یک ابزار حیاتی برای مدیریت پویای منابع در مراکز داده فعلی است. تکنیک های بسیاری برای رسیدن به این هدف با حداقل وقفه در امر سرویس دهی توسعه یافته اند. در این مقاله یک پیش نویس از مهاجرت زنده VM با استفاده از مدل محاسباتی حافظه مشترک توزیع شده (DSM) ارائه میشود. که به وسیله دو گره محاسباتی یکسان برای ایجاد معماری خدمات محیطی یعنی زیرساخت های مجازی سازی، سرور ذخیره سازی مشترک و DSM و خوشه (HPC) با کارایی محاسباتی بالا راه اندازی میگردد. چارچوب سفارشی DSM براساس یک به روز رسانی حافظه Grappa با زمان تاخیر کم می باشد. خوشه HPC با کتابخانه های OPENMPI و MPI از موازی سازی و موازی سازی خودکار حجم کار با استفاده از گره های محاسباتی پردازنده ها پشتیبانی میکند.DSM به پردازنده های خوشه اجازه می دهد تا به صفحات مشابه حافظه دسترسی داشته و در نتیجه به روز رسانی داده حافظه بر اساس به روز رسانی های ویژگی های محلیت کمتر باشد، که باعث کاهش حجم داده منتقل شده در شبکه می گردد. این مدل  بهبود خوبی در معیارهای مهاجرت زنده VM بدست آورده است. زمان خرابی در زمان بیکاری ویندوز VM 50% و در زمان بیکاری لینوکس اوبونتو 66.6% کاهش یافته است. به طور کلی، این مدل نه تنها باعث کاهش مدت زمان خرابی و مقدار کل داده های ارسال شده میشود، بلکه معیارهای دیگری مانند مجموع زمان مهاجرت و کارایی نرم افزار را کاهش نمیدهد.

1. مقدمه و کارهای پیشین 

        روند مهاجرت زنده ماشین مجازی (VM) از سرویسهای عمده ارائه شده توسط ارائه دهندگان خدمات ابری مدرن است. می توان آن را به عنوان انتقال وضعیت ماشین مجازی (VM) تعریف نمود، در حالی که همچنان در حال اجرا و سرویس دهی به مشتریان از یک ماشین فیزیکی به دستگاه فیزیکی دیگر بدون هیچگونه اختلال دسترسی می باشد. 

        وضعیت VM به طور پویا در طول پروسه مهاجرت زنده تغییر میکند. در نتیجه خدمت رسانی زنده به مشتریان، این تغییرات وضعیت حافظه، رجیسترها و وضعیت پردازنده مجازی VM  (vCPU) و وضعیت شبکه را تحت تاثیر قرار میدهد. برای انتقال امن این سه فضای کاری در حالی که همچنان VM در حال اجراست، باید این تغییرات را به یک شکل منسجم تا زمانی که شرایط توقف رخ دهد، ارسال نمود.

        پژوهش های بسیاری از سال 2005 انجام شده است تا زمانی کهClark  [1] روش پیش نسخه ای از مهاجرت زنده را پیشنهاد داد، که براساس تبادل مکرر حالت حافظه می باشد. پس از آن، روش های بهینه سازی زیادی[2] به منظور ارتقاء نحوه انتقال تصویر حافظه و وضعیت CPU  ارائه شدند. رویکرد دیگر که مبتنی بر لاگ پردازنده وپاسخدهی است [3] نیاز به هماهنگ سازی داشته و کارهای زیادی با استفاده از این روش صورت نگرفته است. تمام این روشها چهار معیار عملکردی زیر را دربرداشتند:

1) مجموع زمان مهاجرت: مدت زمان شروع فرآیند مهاجرت تا پایان آن. هدف آن کاهش زمان کل مهاجرت است.

2) زمان خرابی: زمانی که اجرای vCPU در منبع دستگاه فیزیکی (PM) به حالت تعلیق درآمده  تا وقتی که در مقصد PM از سر گرفته شود. هدف آن کاهش زمان خرابی می باشد.

3) حجم اطلاعات منتقل شده: حجم اطلاعاتی که در مدت زمان مهاجرت زنده در طول شبکه منتقل میشود. هدف آن کاهش حجم داده های منتقل شده است.

4) عملکرد کاربردی ماشین های مجازی: پاسخ نرم افزار VM مهاجرت کرده. هدف آن حفظ عملکرد نرم افزار می باشد.

بخش های بعدی مدل ارائه شده و نحوه کار آن را توضیح میدهد.

2. ماژول های طراحی سیستم

        در این مقاله، مهاجرت پیش نسخه ای از هایپروایزر Citrix Xen با استفاده از اجرای DSM در محاسبات با کارایی بالا (HPC) اعمال شده است.  DSMمورد استفاده به تناسب نیازها اصلاح گردیده است. این معماری سیستمی چهار سرویس (NFS، هایپروایزر XenMotion، HPC و DSM) را اجرا میکند، که به شیوه ای همکارانه برای مهاجرت زنده VM از هایپروایزر XenServer در یک راه بهینه ، بهبود حرکت XenServer با استفاده از ذخیره سازی مشترک NFS ، و خوشه DSM HPC برای سرعت بخشیدن به حرکت XenServer VM عمل میکنند. بلوک های ساختار معماری پیشنهادی از سه لایه سرویس تشکیل شده که امر مهاجرت را از طریق اجرای روند مهاجرت مجازی به عنوان یک وظیفه در خوشه محاسباتی DSM HPC تسهیل می سازد. شکل 1 معماری مفهومی از اجزای بلوک ماژول و جریان ارتباطات را نشان می دهد.

الف. اجزای فیزیکی راه اندازی سیستم

       در این مقاله، دو ایستگاه کاری یکسان Dell  با پردازنده سرعت بالا 4 هسته ای Xeon اینتل و سرعت 3.6 گیگاهرتز، که توسط سوئیچ اترنت Linksys با سرعت پورت 100Mbps استفاده شده اند. جدول 1 خلاصه ای از مشخصات سخت افزاری را نشان می دهد.

ب. بررسی منطقی

         شکل 2 ماژول های منطقی را همانند لایه های معماری برای مهاجرت VM به تصویر می کشد. بخش اول پروتکل حافظه مشترک NFS است، که یک پروتکل شفاف بوده که اجازه می دهد تا به روز رسانی سرور ذخیره سازی مشترک با تمام اعضای مجازی هماهنگ گردد. بخش دوم زیرساخت مجازی سازی با استفاده از سرور Citrix Xen نسخه 6.2 است که برای ایجاد ماشین های مجازی مورد استفاده قرار گرفته و توسط Citrix Xen در مرکز کنسول مدیریت اداره میشود، که یک نرم افزار برای مدیریت ماشین های مجازی و قالب های مجازی می باشد. ذخیره سازی مشترک و ماژول های مجازی سازی راه اندازی اولیه برای مهاجرت زنده را فراهم می کنند.

       بخش سوم، خوشه حافظه توزیع شده HPC  به همراه تکنیک انتقال پیام است. به طور کلی در خوشه بندی HPC ، مفهوم حافظه توزیع شده برای پشتیبانی از برنامه نویسی موازی اجباری است، زیرا به استفاده از انتقال پیام (MP) برای ارتباط میان پردازنده ها نیاز دارد. ارتباط استاندارد میان پردازنده ها، رابط انتقال پیام (MPI) است که توسط تمام ارائه دهندگان محاسبات با کارایی بالا پشتیبانی می شود. نقش خوشه HPC ، ارائه موازی سازی و خدمات موازی سازی خودکار برای بخشهای کد، بر اساس ویژگی های کد با استفاده از کتابخانه OPENMPI است. 

        بخش چهارم چارچوب حافظه مشترک توزیع شده است. مدل DSM با خوشه HPC جهت ارائه دسترسی به حافظه مشترک برای تمام گره های خوشه و پردازنده ها عمل می کند. DSM ارتباطات بین پردازنده را بر اساس پارادایم ارتباطی حافظه مشترک تغییر میدهد، که اجازه می دهد تا تمام پردازنده ها در خوشه HPC به فضای حافظه مشابه دسترسی داشته باشند. در چنین الگویی ، مهاجرت فرآیند تنها به انتقال وضعیت فرایند از صف زمانبندی CPU در یک گره محاسباتی به صف آماده در گره پردازنده دیگر نیاز دارد، از آنجایی که بلوک کنترل فرآیند یا  PCB، کد و پشته در فضای آدرس حافظه مشابه قرار دارند و حافظه مجازی مشترک یک آدرس مستقل به اشتراک گذاشته شده توسط تعدادی از پردازنده ها می باشد. هر پردازنده می تواند به طور مستقیم به هر محل از حافظه در فضای آدرس مشترک دسترسی داشته باشد. نقش ماژول DSM ، ارائه وضعیت به روز رسانی حافظه دریک راه سازگار و منسجم است، که در آن روش پیش نسخه با انتقال مکرر صفحات حافظه VM شروع می گردد. DSM با اجتناب از ارسال صفحات خراب ، به صفحات در حال حرکت حافظه کمک می کند.

نمونه متن انگلیسی مقاله

Abstract

       Live virtual machine migration is an essential tool for dynamic resource management in current data centers. Many techniques have been developed to achieve this goal with minimum service interruption. In this paper, we propose a pre-copy live VM migration using Distributed Shared Memory (DSM) computing model. The setup is built using two identical computation nodes to construct the environment services architecture namely the virtualization infrastructure, the shared storage server, and the DSM and High Performance Computing (HPC) cluster. The custom DSM framework is based on a low latency memory update Grappa. HPC cluster with OPENMPI and MPI libraries support parallelization and auto-parallelization work load by using CPUs computation nodes. The DSM allows the cluster CPUs to access the same memory space pages resulting in a lower memory data updates based on locality attributes updates, which reduces the amount of data transferred through the network. This model achieves a good enhancement of the live VM migration metrics. Downtime is reduced by 50% in the idle workload of Windows VM and 66.6% in case of Ubuntu Linux idle workload. In general, this model not only reduces the downtime and the total amount of data sent, but also does not degrade other metrics like the total migration time and the application performance.

I. INTRODUCTION AND RELATED WORK

        Live Virtual Machine (VM) migration process is a major service provided by modern cloud service providers. It can be defined as transferring the Virtual Machine (VM) state while it continues to run and serve clients from one physical machine to another physical machine without disrupting the clients accessing that VM.

       The VM state is dynamically changed during the live migration process. As a result of serving live clients, these changes affect the memory state, the virtual VM CPU (vCPU) registers and state, and network state. The way to transfer these three work spaces safely while continuing to run the VM is to maintain sending the changes in a coherent way until a stop condition occurs.

        A lot of work has been done since 2005 when Clark [1] proposed the pre-copy method of live migration, which is based on transferring the memory state iteratively. After that, many optimization methods [2] were proposed to enhance the way how memory image and the CPU state are moved.

        Another approach which is based on CPU logging and replay [3] requires synchronization and not much work has been done using this approach. All these approaches consider the following four performance metrics:

1) Total Migration Time: Time since starting the migration process until finished. Objective is to reduce the total migration time.

2) Down Time: Time when the vCPU execution is suspended in the source Physical Machine (PM) until vCPU is resumed in the destination PM. Objective is to reduce the down time.

3) Data Transferred Size: Size of data moved through the network during the total live migration time. Objective is to reduce the data transferred size.

4) VMs Application Performance: The migrated VM application response. Objective is to keep the application performance.

Following sections discuss the proposed model and how it works.

II. SYSTEM DESIGN MODULES

       In this work we deployed the pre-copy migration of Citrix Xen hypervisor using DSM running on top of High Performance Computing (HPC). The DSM used is modified to fit our requirements. This system architecture runs four services (NFS, hypervisor XenMotion, HPC and the DSM), which work in a cooperative way to handle the live VM migration of XenServer hypervisor in an optimized way, the enhancement of the XenServer motion using the NFS shared storage, and the DSM HPC cluster to speed up the XenServer VM motion. The building block architecture of the proposed live VM migration is composed of three services layers to facilitate the migration through running the hypervisor migration process as a job in the DSM HPC cluster computation. Figure 1 shows the conceptual architecture of the module’s block components and communication flows.

A. System Setup Physical Components

      In this work, two identical Dell workstations with high speed processor 4 Cores of Intel Xeon 3.6 GHz speed, connected by Linksys Ethernet switch with port speed 100Mbps are deployed. Table I shows summary of hardware specifications.

B. Logical Overview

        Figure 2 depicts the logical modules as layers architecture to build the VM migration. The first part is the shared storage NFS Protocol, which is a transparent protocol that allows the shared storage server update to be synchronized with all virtual members. Second part is the Virtualization Infrastructure using Citrix XenServer version 6.2 hypervisor, which is used to create the virtual machines, and managed by Citrix Xen-Center management console, which is a software for managing VMs and virtual machines templates. The shared storage and virtualization modules provide basic setup for normal live migration.

        Third part is the HPC Cluster Distributed Memory with Message Passing. In general HPC clustering the distributed memory concept is mandatory to support parallel programming, which requires the use of explicit message passing (MP), to allow processors to communicate. The standard communication between processors is Message Passing Interface (MPI) that is supported by all high performance computing vendors. The role of HPC cluster is to provide parallelization and auto-parallelization services to the codes segments, based on the code attributes using OPENMPI library.

       Fourth part is the Distributed Shared Memory framework. The DSM model works with the HPC cluster to provide the shared memory accessibility for all cluster nodes and processors. DSM changes the inter-processor communication based on shared memory communication paradigm, which allows all processors in the HPC cluster to access the same memory space. In such a model the process migration only requires moving the process state from CPU scheduling ready queue on one computation node processor to the ready queue on the other node processor, since process control block PCB, code and stack are all in the same memory address space, and shared virtual memory is a single address space shared by number of processors. Any processor can access any memory location in the shared address space directly. The role of DSM module is to provide memory state update in a consistent and coherent way, where the pre-copy method starts by moving the VM memory pages iteratively. The DSM helps moving the memory pages by avoiding sending the dirty pages. 

فهرست مطالب (ترجمه)

چکیده

1. مقدمه و کارهای پیشین 

2. ماژول های طراحی سیستم

الف. اجزای فیزیکی راه اندازی سیستم

ب. بررسی منطقی

3. مهاجرت زنده VM با استفاده از DSM

4. معیارهای عملکرد

الف. معیارهای حجم کار VM 

5. نتیجه گیری

منابع

فهرست مطالب (انگلیسی)

Abstract

1. INTRODUCTION AND RELATED WORK

2. SYSTEM DESIGN MODULES

A. System Setup Physical Components

B. Logical Overview

3. LIVE VM MIGRATION USING DSM

4. PERFORMANCE MEASUREMENT

A. VM Workload Benchmarks

5. CONCLUSION

REFERENCES