دانلود رایگان مقاله خدمات با در نظر گرفتن عملکرد الگوریتم های بارگزاری متعادل

چکیده

     تامین منابع مورد تقاضا باعث میشود ابر به عنوان یک فناوری پیشرو شناخته شود .تمام ارائه دهنده های خدمات ابری، منابع رایانشی مناسب با نوع رابط کاربری، نوع نمونه و سیاست قیمت گزاری خود را پیشنهاد میدهند.یک کارگزار خدمات مبتنی بر ابر، برای یافتن ارائه دهندگان خدمات مناسب واسطه گری میکند طوری  که مبادله مناسب بین قیمت و  عملکرد را در نظر میگیرد.از سوی دیگر، تعادل بارگزاری میان منابع ابری مختلف، تضمین استفاده کارآمد از زیر ساخت های فیزیکی را میدهد، و به طور همزمان زمان اجرا را به حداقل میرساند.این باعث میشود که کارگزاران خدمات و بارگزاری متعادل در بین مهم ترین مسائل سیستم های محاسبات ابری قرار بگیرد.هدف از این مقاله پیشنهاد سه الگوریتم مختلف بارگزاری متعادل ابری و یک الگوریتم بارگزاری متعادل است.شبیه سازی مبتنی بر استقرار تصدیق میکند که الگوریتم پیشنهادی ما هزینه ها را کاهش میدهد و به طور همزمان شاهد موفقیت در خدمات اجرایی هستیم.

1.مقدمه

     یک ابر شامل یک مرکز داده بزرگ یا گروه هایی از مرکز داده های بزرگ است، که ممکن است در یک یا چند منطقه جغرافیایی، جایی که ابرها منابع محاسبات نامحدود را فراهم می کنند، واقع شده باشند، که این منطقه برای رفع تقاضای کاربر مورد اطمینان است.یک ابر میتواند توسط سرمایه گزاران، دولت ها و ارائه دهندگان خدمات، میزبانی شود(Bernstien et al.,2011,2009).محتوا، ذخیره سازی و محاسبات، قادر به ارائه خدمات در هرجایی سرتاسر شبکه هستند، که با عنوان "درون ابری" خوانده میشود(Bernstien and Vij,2010).در یک سناریو قابل همکاری، ابر ها باید به منظور تبادل اطلاعات، قادر به تشخیص یکدیگر باشند(Vecchiola et al., 2011).زیر ساخت ابرها توسط سرویس هایی ارائه میشوند که نه تنها فقط استفاده میشوند، بلکه با کمک مجازی سازی نصب، مستقر و تکرارهم میشوند.این خدمات در روند کسب و کار های پیچیده اعمال میشود، که بیشتر توافقنامه سطح سرویس(SLAs) را پیچیده تر میکند.به عنوان مثال، به دلیل تغییر اجزاء، بار کاری، شرایط خارجی، سخت افزار و شکست های نرم افزار، SLA های ایجاد شده ممکن است نقض شوند.کاربر تکراری، در طی مذاکرات SLA و خدمات اجرا، با سیستم مبادرت میکند( که معمولا برای خرابی ها ضروری است)، که ممکن است چالشی برای یک ابر رایانه ای موفق باشد.Garg et al.(2014) تکنیک برنامه ریزی SLAرا که شامل مدیریت VM با حجم کاری متغیر است را پیشنهاد داد.

     یک مورد استفاده ی از رویکرد "درون ابر"ی توسط Buya et al. (2009) کشف شد که شامل معاملات بازار از طریق کارگزاران است.در چنین موارد استفاده ای، نهاد کارگزاری یک میانجی بین استفاده کنندگان و ارائه دهندگان ابر به طور متقابل است، که در حمایت از سابقه انتخاب ارائه دهنده، بهتر است مطابق با نیاز های کاربر باشد.یکی دیگر از خدمات افزون کارگزاری، استقرار و مدیریت آسان خدمات فائوس بدون در نظر گرفتن ارائه دهنده منتخب، از طریق رابط یکنواخت است.ارزیابی کارگزار در آزمون دنیای واقعی وقت گیر و هزینه بر است، زیرا حجم زیادی از منبع ابری برای دستیابی به نتایج واقعی و قابل اعتماد، مورد نیاز است.یک روش امیدوارانه و به صرفه تر برای فرآیند ارزیابی کارگزار، یک برنامه محیط شبیه سازی است.

     در این پژوهش، محققان تمرکز خود را روی تعادل بارگزاری در میان مراکز داده و ماشین های مجازی، گذاشته اند; محدودیت های کارآمد بارگزاری متعادل ابر، برای ایجاد و توسعه یک الگوریتم متعادل کننده بارگزاری جدید، انگیزه ما را برانگیخته میکند.الگوریتم های پیشنهادی، تمام پردازش ها و زمان های پاسخ را کاهش میدهد، تا آنجایی که وظایف به طور کارآمدی به منابع فیزیکی تخصیص داده شده باشد.الگوریتم پیشنهادی به جای الگوریتم های پیشنهادی قبلی ارائه شده بود.در این پژوهش، ابر افرینی و الگوریتم تعادل بارگزاری برای یک محیط رایانش ابری پیشنهاد شده است.بحث در مورد نتایج شبیه سازی سه تا از الگوریتم های کارگزاری ابر و الگوریتم بارگزاری متعادل نیز ارائه شده است.

2.کار های مرتبط

     در حال حاضر بسیاری از سازمان های استاندارد، روی تعیین استاندارد های معین برای محاسبات ابری کار میکنند.این استاندارد ها توسط سازمان های استاندارد عظیم ابر ارائه شده اند.در حال حاضر کاربران با چالشی برای انتخاب ابر مناسب برای برآورده شدن نیاز های خود مواجه هستند.استفاده از سرویس بارگزاری ابر متوسط برای پیدا کردن یک ارائه دهنده ی خاص، از الزامات آن ها جهت یک تحقیق امیدوارکننده است(Jrad et al., 2012).دو مولفه پایه و اساسی بارگزاری ابر، تامین منابع و برنامه ریزی آن است.Van den Bosche et al.,(2010) یک رویکرد برنامه ریزی شده برای یک ابر ترکیبی پیشنهاد میدهد، که عملیات را از لحاظ مقیاس پذیری، کاهش هزینه و امکان پذیری آن اجرایی میکند.از طریق برنامه نویسی اعداد صحیح باینری، تحقیقات آن ها کاربران را در تصمیم گیری برای بخش های خودکار، پشتیبانی میکند.محققان همچمنین ادعا میکنند که ابتدا به مشکلات مدیریت منبع در ابر های ترکیبی با این تکنیک پرداخته اند.

     Wickremasinghe et al.,(2010) ابزار آنالیز ابر را  با بهره گیری از یک مطالعه موردی بر اساس یک برنامه شبکه اجتماعی، به منظور مدلسازی و ارزیابی مستقر در ابر، در دنیای واقعی پیشنهاد داده است.آنها در کارشان، شیوه ای را نشان میدهند که یک ابر کارگزار خدمات میتواند منابع سیستم را بر اساس برنامه های کاربردی در مکان های مختلف جغرافیایی، بهینه سازی کند.علاوه بر این، سه ماشین مجازی که با الگوریتم های بارگزاری متعادل کار میکند و دو الگوریتم بارگزاری ابر را برای آزمایش هایشان روی ابزار تحلیلگر ابر پیشنهاد دادند.

     Rochwerger et al.,(2011) نشان داد که اگرچه کمبود تعاملات داخلی وجود دارد، اما بین محدودیت های دیگر، در فن آوری های فعلی، ابر های متعهد، آینده وسیعی را در بر میگیرند.همچنین این نشان میدهد که برنامه ریزی و تامین منابع کارآمد، کارکرد بارگزاری ابر را افزایش میدهد.

     Ferreto et al.,(2011) روی مدیریت منابع کار کرد که راه حل های موجو برای تثبیت سرور را گسترش داد.راه حل پیشنهادی آنها راه حل محدودی را تعریف میکند که با ماشین مجازی با ظرفیت معین، مهاجرت کرده ولی ماشین مجازی با استفاده مداوم برای به حداقل رساندن استفاده از سرور فیزیکی، مهاجرت نمیکند.Ferreto et al., (2011) این رویکرد را تقویت پویا با کنترل مهاجرت نامید.نتایج آنها نشان میدهد که با سیستم کنترل مهاجرت، مراکز داده بسیار مفید میشوند.

     Tordson et al.,(2012) یک معماری بارگزاری ابری برای مدیریت ماشین مجازی در محیط رایانش ابری مخلوط ارائه کرد.ائ همچنین یک برنامه جایگزاری الگوریتم بهینه سازی به همراه برنامه ی فرمولاسیون برنامه نویسی دو دویی ارائه کرد که باعث کاهش قیمت عملکرد ها می شوند.بستر نرم افزاری Aneka(آنکا) Vecchiola et al ., (2011) شامل مدیریت منابع تهیه شده از خوشه ها، شبکه ها و ابر هاست.محققان ثابت میکنند که آنکا از کیفیت خدمات پشتیبانی میکند، و از کنترل هدایت برنامه ها در ابر های مختلف آگاه است.نتایج تجربی کار آنها پیشنهاد میدهد که آنکا دارای توانایی اختصاص عاقلانه منابع به قصد کاهش زمان اجرای برنامه است.

     Calheiros et al., (2012) یک معماری هماهنگ کننده ابر را پیشنهاد میدهد که در محیط های ابری خصوصی و عمومی کار میکند.این هماهنگ کننده ابری، کارگزاران و مراکز داده را در بازار InterCloud را ارائه میدهد، مسئول مدیریت مذاکرات منابع است و  همچنین انتشارات را هم پیشنهاد میدهد.محققان راجع به تاثیر آن روی برنامه های قابل ارتجاع و اثربخشی معماری پیشنهاد شده روی سناریو های متعادل، بحث میکنند.

abstract

     On-demand resource provisioning makes cloud computing a cutting edge technology. All cloud service providers offer computing resources with their own interface type, instance type, and pricing policy, among other service features. A cloud-based service broker provides intermediation to seek appropriate service providers in terms a suitable trade-off between price and performance. On the other hand, load balancing among cloud resources ensures efficient use of a physical infrastructure, and at the same time, minimizes execution time. This makes service brokers and load balancing among the most important issues in cloud computing systems. This paper aims to propose three different cloud brokering algorithms, and a load balancing algorithm. A simulation-based deployment confirms that our proposed algorithms minimized the cost, and at the same time, witnessed gains in service performance.

1. Introduction

     The cloud consists of large data centers, or groups of large data centers, which may be located in one or multiple geographical regions where the cloud provides unlimited computing resources that are available to satisfy user demand. The cloud can be hosted by enterprises, governments and service providers (Bernstein et al., 2011, 2009). Content, storage and computing capable of providing services anywhere throughout the network are referred to as “Intercloud” (Bernstein and Vij, 2010). In an interoperability scenario, clouds must be able to detect each other to exchange information (Vecchiola et al., 2011). Cloud infrastructures are also represented by services that are not only used, but also installed, deployed or replicated, with the help of virtualization. These services are applied in complex business processes that further complicate the fulfillment of Service Level Agreements (SLAs). For example, due to the changing components, workloads, external conditions, hardware, and software failures, established SLAs may be violated. Frequent user interaction with the system during SLA negotiations and service executions (which are usually necessary in the case of failures) may pose a challenge to successful cloud Computing. Garg et al. (2014) propose a scheduling technique which considers SLAbased VM management with mix workload.

     A promising use case of the ‘Intercloud vision’ was defined by Buyya et al. (2009), which involves market transactions via brokers. In such a use case, a broker entity is a mediator between the cloud consumer and multiple interoperable cloud providers, in order to support the former in selecting the provider, which better meets user requirements. Another value-added broker service is the easy deployment and management of a user's service, regardless of the selected provider, through a uniform interface. The evaluation of the broker on a real-world test bed is typically costand time-consuming, since a great volume of cloud resources is required to achieve realistic, reliable results. A more promising and cost-saving approach for the process of broker evaluation is the application of a simulation environment. 

     In this study, the researchers focused on load balancing among data centers and virtual machines; the limitations of efficient cloud load balancing motivated us to develop a novel load balancing algorithm. The proposed algorithm reduces overall processing and response times, since tasks are allocated to the available physical resources in an efficient manner. The proposed algorithm was found to outperform previously proposed algorithms. In this study, cloud brokering and load balancing algorithms for a cloud computing environment were proposed. A discussion of the simulation results of the three cloud brokering algorithms and the load balancing algorithm is also presented.

2. Related work

     Many standard bodies are currently working to define common standards for cloud computing. These standards have been proposed by numerous cloud standard organizations. Cloud users currently face the challenge to select the appropriate cloud in order to satisfy their specific requirements. Using an intermediate cloud brokering service to find a specific provider that satisfies their requirements is a promising research direction (Jrad et al., 2012). The two primary underlying components of cloud brokering are resource provisioning and scheduling. Van den Bossche et al. (2010) propose a scheduling approach for a hybrid cloud that performs operations in terms of scalability, cost minimization and feasibility. Through binary integer programming, their approach supports users in their decision making process with partial automatization. The researchers also claim that they addressed the resource management problem first in hybrid clouds using this technique.

     Wickremasinghe et al. (2010) propose the CloudAnalyst tool in order to model and evaluate real-life problems deployed in the cloud, exploiting a case study based on a social networking application. In their work, they reveal the manner in which a cloud service broker optimizes system resources based on applications in various geographic locations. Moreover, they proposed three Virtual Machine (VM) load balancing algorithms and two cloud brokering algorithms for their experiments on the CloudAnalyst tool.

     Rochwerger et al. (2011) show that, although there is a lack of interoperability, among other limitations, in present technologies, federated clouds have a vast future prospective. It has also been demonstrated that efficient resource scheduling and provisioning definitely increase cloud brokering performance.

     Ferreto et al. (2011) worked on resource management, which extends existing solutions of server consolidation. Their proposed solution defines a constraint that defines VM with variable capacity to be migrated and do not migrate VM with steady usage in order to minimize the usage of the physical server. Ferreto et al. (2011) called this approach dynamic consolidation with migration control. Their results show that, with this migration control system, data centers would be greatly benefited.

     Tordsson et al. (2012) propose a cloud brokering architecture for VM management in a hybrid cloud computing environment. Tordsson et al. (2012) also propose an application placement optimization algorithm with the application of integer programming formulations that facilitate a price performance trade-off. The Aneka (Vecchiola et al., 2011) software platform involves the management of provisioned resources from clusters, grids and clouds. The researchers prove that Aneka supports Quality of Service (QoS) aware execution of controlled applications in crossbreed clouds. Experimental results of their work suggest that Aneka has the ability to allocate resources proficiently with the intention of a reduction in application execution time.

     Calheiros et al. (2012) propose a cloud coordinator architecture that works in private and public cloud environments. This cloud coordinator represents brokers and data centers in the InterCloud marketplace, and is liable for resource negotiation management and publishing offers. The researchers discuss the impact on elastic applications and the effectiveness of their proposed architecture in a modest scenario.

چکیده

1.مقدمه

2.کار های مرتبط

3.مدل های سرویس ابری

1-3.مدل های لایه ای سرویس های ابری

2-3.حجم کاری و مدل منبع

4.انتقال داده و پردازش درخواست کاربر

5 . الگوریتم پیشنهادی

1_5. توصیف الگوریتم پیشنهادی کارگزاری ابر

2_5. روش های بارگزاری متعادل  و الگوریتم پیشنهادی

6. راه اندازی و سناریو شبیه سازی

7. نتایج آزمایش و بحث پیرامون آن

1_7. نتایج شبیه سازی کارگزاری ابر

8.نوآوری های مهم

9. نتیجه

Abstract

1. Introduction

2. Related work

3. Cloud service models

3.1. Cloud services layered model

3.2. Workload and resource model

4. Data transmission and user request processing

5. Proposed algorithms

5.1. Description of proposed cloud brokering algorithms

5.2. Load balancing methods and proposed algorithm

6. Simulation setup and scenario

7. Experimental results and discussion

7.1. Simulation results of cloud brokering algorithms

8. Significant contributions

9. Conclusion

Acknowledgment

References