دانلود رایگان مقاله سرویس مانیتورینگ براساس زنجیره مارکوف برای تحمل خطا در محاسبات ابری

چکیده

          محاسبات ابری تلفن‌همراه، ترکیبی از محاسبات تلفن‌همراه و محاسبات ابری است و محیط محاسبات ابری را از طریق دستگاه‌های مختلف تلفن‌همراه فراهم می‌کند. اخیرا به‌علت گسترش سریع بازار تلفن‌های هوشمند و محیط ارتباطات بی‌سیم، دستگاه‌های تلفن‌همراه به‌عنوان منبعی برای پردازش توزیع شده در مقیاس بزرگتر در نظر گرفته می‌شود. اما دستگاه‌های تلفن‌همراه مشکلاتی مانند اتصال بی‌سیم ناپایدار، محدودیت ظرفیت قدرت، پهنای باند ارتباطی پایین و تغییرات مکرر مکان دارند. به‌عنوان ارائه‌دهندگان منبع، دستگاه‌های تلفن‌همراه می‌توانند به صورت غیرقابل پیش‌بینی به یکدیگر ملحق شوند و محیط محاسبات توزیع شده را ترک کنند. این مسئله، عملیات درحال اجرا را مورد وقفه قرار می‌دهد و تاخیر یا عدم تکمیل عملیات ممکن است یک سیستم را با شکست مواجه کند. به‌دلیل قابلیت اطمینان پایین و تکمیل عمل بدون تضمین، استفاده از یک دستگاه تلفن‌همراه به‌عنوان یک منبع دشوار است. این بدان معناست که دستگاه‌های تلفن‌همراه فرّار است. بنابراین، ما باید نوسانات را در نظر بگیریم، یکی از ویژگی‌های پویای دستگاه‌های تلفن‌همراه این است که برای منابع پایدار تدارک دیده شده‌اند. دراین مقاله، ما یک روش نظارت بر اساس مدل زنجیره‌ی مارکوف، که منابع را تجزیه‌و‌تحلیل و پیش‌بینی می‌کند ارائه می‌کنیم. با روش نظارتی پیشنهادی و پیش‌بینی حالت، یک سیستم ابری در برابر خطای ایجاد شده به‌وسیله‌ی نوسانات دستگاه‌های تلفن‌همراه پایدارتر است. روش پیشنهادی نوسانات دستگاه تلفن‌همراه را از طریق مدل‌سازی الگوهای حالات گذشته کاهش می‌یابد و یک پیش‌بینی از حالت آینده‌ی دستگاه تلفن‌همراه ارائه می‌دهد.

1. مقدمه 

         محاسبات ابری تلفن‌همراه، محیط محاسبات ابری" پرداخت به‌اندازه‌ی مصرف" را با دستگاه‌های مختلف تلفن‌همراه پیشنهاد می‌کنند که تحرک را پشتیبانی می‌کند. دستگاه‌های تلفن‌همراه انواع مختلفی از دستگاه‌ها را بیان می‌کنند که تحرک دارند، مانند لپ‌تاپ‌ها، رایانه‌ی‌جیبی، رایانه‌های شخصی و تلفن‌های هوشمند. دستگاه‌های تلفن‌همراه قبلی به‌علت قدرت باتری محدود و عملکرد کم CPU مورد توجه نبودند. بااین‌حال، قدرت محاسباتی آخرین دستگاه‌های تلفن‌همراه همانند کامپیوترهای رومیزی است. ظرفیت باتری نیز در حال رشد است و تعداد کاربرانی که با دستگاه‌های تلفن‌همراه کار می‌کنند به‌سرعت درحال افزایش است. به‌خصوص، بیشتر مردم از دستگاه‌های تلفن‌همراه به‌طور منظم در دانشگاه و یا در دفتر استفاده می‌کنند. این روند محققان را به تلاش بیشتر برای استفاده از دستگاه‌های تلفن‌همراه در پردازش ابری سوق داد. 

          پژوهش‌ها در زمینه‌ی استفاده از دستگاه‌های تلفن‌همراه در محاسبات ابری می‌توانند به دستگاه‌های تلفن‌همراه به‌عنوان رابط و دستگاه‌های تلفن‌همراه به‌عنوان منابع طبقه‌بندی شوند. بسیاری از تحقیقات قبلی در محاسبات ابری تلفن‌همراه به استفاده از دستگاه‌های  تلفن‌همراه به عنوان رابط متمرکز شده است. پژوهش در زمینه‌ی استفاده از دستگاه‌های تلفن‌همراه به‌عنوان منابع در محاسبات ابری تلفن‌همراه دستاوردهایی را کسب کرده است، چرا که جمعیت تلفن‌های هوشمند و یا دیگر کاربران دستگاه تلفن‌همراه سریع رشد می‌کند. به‌منظور استفاده از دستگاه‌های تلفن‌همراه به‌عنوان منبع، باید چندین مشکل، مانند اتصال بی‌سیم ناپایدار، محدودیت‌های توان، پهنای باند کم ارتباطات و تغییر مکرر محل حل شود. از آنجا که عضویت یا ترک یک دستگاه تلفن‌همراه غیرقابل پیش‌بینی است، فرآیند نیز می‌تواند غیرقابل پیش‌بینی قطع شود. این وقفه باعث تاخیر در اتمام عملیات می‌شود و می‌تواند یک سیستم را دچار خطا کند. بنابراین، عملیات تکمیل بر روی دستگاه‌های تلفن‌همراه تضمین شده نیست. این مسئله قابلیت اطمینان دستگاه‌های  تلفن‌همراه را کاهش می‌دهد و مانع استفاده از دستگاه‌های تلفن‌همراه به‌عنوان منابع است. بنابراین، ویژگی‌های پویای دستگاه‌های  تلفن‌همراه باید به‌منظور تضمین استفاده‌ی پایدار از دستگاه‌های تلفن‌همراه به‌عنوان منابع در نظر گرفته و حل شود. به‌منظور حل مشکلات فوق، تحقیقات قبلی بر تکنیک‌های تحمل خطا تمرکز کرده‌اند. 

         برنامه‌ریزی منابع و تکنیک‌های تحمل خطا، اطلاعات حالت را از طریق نظارت بر منابع اطلاعات محاسبه می‌کنند. اما، اگر اطلاعات درست منابع به موقع ارائه نشود، اطلاعات نادرست منجر به مشکل می‌شود. بنابراین، یک طرح نظارت که می‌تواند اطلاعات حالت پویا را جمع‌آوری و تجزیه‌وتحلیل کند به‌منظور اطمینان از مشارکت پایدار منابع مورد نیاز است. طرح نظارت نیاز به تطبیق پویا در زمان واقعی به‌منظور نظارت بر اطلاعات صحیح حالت و منعکس‌کننده ویژگی‌های منابع تلفن‌همراه دارد.

          دراین‌مقاله، ما یک روش نظارت براساس زنجیره‌ی مارکوف پیشنهاد می‌کنیم، که می‌تواند حالات منابع  را به‌منظور حل مشکل خطا که توسط نوسانات دستگاه‌های تلفن‌همراه رخ می‌دهد تجزیه‌وتحلیل کند. روش پیشنهادی می‌تواند با نوسانات دستگاه‌های تلفن‌همراه توسط مدل‌سازی الگوهای عملیات که در گذشته انجام شده مقابله کند و نوع حالات عملیات آینده را پیش‌بینی کند. اطلاعات پیش‌بینی شده برای تحمل خطا استفاده می‌شود، و قابلیت اطمینان و عملکرد سیستم را بهبود می‌بخشد.

           ساختار مقاله به شرح زیر است: بخش 2 کارهای مرتبط در نظارت بر خدمات را ارائه می‌کند.  معماری سیستم ابری تلفن‌همراه ما و قطعاتی که برای طرح نظارت استفاده می‌شود در بخش 3 شرح داده شده است. بخش 4 یک تکنیک نظارت براساس مدل زنجیره‌ای مارکوف با الگوریتم ویتربی پیشنهاد می‌کند. در بخش 5، نرخ بازه زمانی نظارت و دقت مقادیر پیش‌بینی شده بیان می‌شود. نتیجه‌گیری و بحث در مورد برخی کارهای آینده در بخش 6 بیان می‌شود.

2. کارهای مرتبط

          خدمات نظارت از مدل pull، و مدل push استفاده می‌کنند [1] [2]. در مدل pull، سرور یک پیام به‌منظور درخواست اطلاعات منابع به مشتری ارسال می‌کند، اما در مدل push، اطلاعات منابع از یک مشتری به یک سرور با توجه به سیاست نظارت بر سرور ارسال می‌شود. در مدل pull، سربار نظارت نسبتا کوچک است چرا که اطلاعات منابع هر زمان که اطلاعات منابع مورد نیاز است از یک مشتری درخواست شده است، اما این مدل دارای زمان پاسخ طولانی است و به‌طور گسترده در محیط‌های پویا استفاده نمی‌شود زیرا درخواست‌ها بدون در نظر گرفتن حالت به مشتریان ارسال می‌شود. در مدل push، اطلاعات نظارت به‌صورت آماری جمع‌آوری می‌شود، زیرا یک مدیر سیستم فواصل زمانی نظارت را تعیین می‌کند. اگر فاصله زمانی نظارت بسیار کوتاه باشد، سربار ناشی از جمع‌آوری اطلاعات نظارت افزایش می‌یابد، بااین‌حال این طرح نمی‌تواند اطلاعات حالت صحیح را در محیط‌های پویا حفظ کند درصورتی که فاصله بسیار طولانی است. بنابراین یک طرح نظارتی که می‌تواند فواصل زمانی نظارت در محیط‌های پویا را تغییر دهد پیشنهاد می‌کنیم.

            Huh و همکارانش [30 فاصله زمانی نظارت را با مشاهده‌ی حالت پویا از اطلاعات منابع تعیین کردند و این طرح براساس مدل مبتنی بر push است. اما این طرح تنها از اطلاعات CPU در میان منابع مختلف بهره می‌گیرد بنابراین استفاده از طرح در محیط ابر تلفن‌همراه که در آن منابع به سرعت تغییر می‌کنند دشوار است. MDS4 [4] به‌عنوان بخشی از پروژه Globus ایجاد شد و برای نظارت و انتخاب منابع شبکه است. زیرا  براساس مدل pull است، استقرار MDS4 در محیط تلفن‌همراه پویا دشوار است. OVISU ابزار نظارت منابع در محیط محاسبات ابری است. ovns می‌تواند به صورت پویا منابع و حالت اپلیکیشن را توصیف کند و منابع را براساس اطلاعات نظارت به‌صورت بهینه مدیریت کند. OVIS از تحلیل‌های آماری برای جمع‌آوری داده‌ها و تخصیص منابع استفاده می‌کند. بااین‌حال، برای محیط مخابراتی است و تحلیل آماری تنها برای پیدا کردن همان ویژگی استفاده می‌شود.

           دراین‌مقاله، یک روش نظارت بر اساس زنجیره‌ی مارکوف ارائه می‌کنیم که می‌تواند حالات منابع را به‌منظور حل مشکل خطا ناشی از نوسانات دستگاه‌های تلفن‌همراه به‌صورت دقیق‌تر تجزیه‌وتحلیل کند.

Abstract

         Mobile cloud computing is a combination of mobile computing and cloud computing, and provides cloud computing environment through various mobile devices. Recently, due to rapid expansion of smart phone market and wireless communication environment, mobile devices are considered as resource for large scale distributed processing. But mobile devices have several problems, such as unstable wireless connection, limitation of power capacity, low communication bandwidth and frequent location changes. As resource providers, mobile devices can join and leave the distributed computing environment unpredictably. This interrupts the undergoing operation, and the delay or failure of completing the operation may cause a system failure. Because of low reliability and no-guarantee of completing an operation, it is difficult to use a mobile device as a resource. That means that mobile devices are volatile. Therefore, we should consider volatility, one of dynamic characteristics of mobile devices, for stable resource provision. In this paper, we propose a monitoring technique based on the Markov Chain model, which analyzes and predicts resource states. With the proposed monitoring technique and state prediction, a cloud system will get more resistant to the fault problem caused by the volatility of mobile devices. The proposed technique diminishes the volatility of a mobile device through modeling the patterns of past states and making a prediction of future state of a mobile device.

I. INTRODUCTION

          Mobile cloud computing offers ‘pay-as-go’ cloud computing environment with various mobile devices that support mobility. Mobile devices refer all kinds of devices that have mobility, such as laptops, PDAs, tablet PCs, and smart phones. Previous mobile devices were notorious for restricted battery power and low CPU performance. However, the computing power of the latest mobile devices is getting as fast as that of desktop computers. The battery capacity is also growing, and the number of users who use mobile devices is rapidly increasing. Especially, more people use mobile devices regularly in campus or in office than ever. This trend leads researchers to try to utilize mobile devices in cloud computing.

         Researches on utilizing mobile devices in mobile cloud computing can be categorized into mobile devices-asinterface and mobile devices-as-resource. Most of previous utilizing mobile devices as interface. The research on utilizing mobile devices as resources in mobile cloud environment gains attentions recently, because the population of smart phone or other mobile device users grows fast. In order to use mobile devices as resource, several problems must be solved, such as unstable wireless connection, limitation of power supply, low communication bandwidth and frequent location changes. Because a join or a leave of a mobile device is unpredictable, the undergoing process can be also interrupted unpredictably. This interruption causes the delay of operation completion, and could lead a system to a fault. Therefore, operations on mobile devices are not guaranteed for completion. This reduces the reliability of mobile devices and prevents mobile devices from being used as resource. Therefore, the dynamic characteristics of mobile devices must be considered and solved, in order to guarantee the stable usage of mobile devices as resources. In order to solve the above problems, previous researches focused on fault tolerance techniques.researches in mobile cloud computing have been focused on 

         Resource scheduling and fault tolerance techniques calculate state information through monitoring resource information. But, if correct resource information is not provided timely, the incorrect information would cause an accuracy problem. Therefore, a monitoring scheme that can collect and analyze dynamic state information is required in order to ensure the stable participation of resources. Monitoring schemes need to be adaptive dynamically in real time in order to monitor correct state information and reflect characteristics of mobile resources.

          In this paper, we propose a monitoring technique based on Markov chain, which can analyze resource states more precisely in order to solve the fault problem that occurs by the volatility of mobile devices. The proposed technique can deal with the volatility of mobile devices by modeling the patterns of operations performed in the past and predicting the type of future operation states. The predicted information is used for fault tolerance, and it improves the reliability and performance of the system.

         The rest of the paper is organized as follows: Section 2 presents the related work on monitoring services. Our mobile cloud system architecture and components which is used for the suggested monitoring scheme is described in Section 3. Section 4 proposes a monitoring technique based on Markov Chain model with Viterbi algorithm. In section 5, we present a monitoring time interval rates and the accuracy of predicted values. We draw a conclusion and discuss some future work in Section 6. 

چکیده

1.  مقدمه 

2. کارهای مرتبط

3.  مدل سیستم

A) معماری سیستم ابری تلفن‌همراه

B) استفاده از الگوی دستگاه‌های تلفن‌همراه

4. مدل‌سازی نظارت زنجیره‌ی مارکوف 

A) تعریف اطلاعات منابع 

B) مدل‌های زنجیره‌ای مارکوف برای پیش‌بینی خطاها

C) تخمین احتمال انتقال 

D) بهبود وقوع 

E) بازه‌ی نظارت

5.  شبیه‌سازی 

6.  نتیجه‌گیری و کارهای آینده

منابع

Abstract

1. INTRODUCTION

2. RELATED WORK

3. SYSTEM MODEL

A. Mobile Cloud System Architecture

B. Using Pattern of the Mobile Devices

4. MARKOV CHAIN MONITORING MODELING

A. Resource Information Definition

B. Markov Chain Modeling for Predicting Faults

C. Transition Probability Estimation

D. Accuracy Improvement

E. Monitoring Interval 

5. SIMULATION

6. CONCLUSION AND FUTUR WORKS

REFERENCES