ارائه رویکرد به منظور زمان بندی منابع در محیط های بدون سرویس دهنده

نوع مقاله : مقاله پژوهشی

نویسندگان

دانشکده کامپیوترـ دانشگاه علم و صنعت- تهران- ایران

چکیده

با توجه به پیشرفت فناوری و نیاز روزافزون کاربران، تولیدکنندگان باید برنامه‌های کاربردی خود را به‌سرعت توسعه دهند. محاسبات ابری، با توجه به مزایایی که دارد توجه تولیدکنندگان را برای پیاده‌سازی برنامه‌های کاربردی به خود جلب کرده است. ابر، مدل‌های سرویس‌دهی مختلفی مانند زیرساخت به‌عنوان سرویس، بستر به‌عنوان سرویس، نرم‌افزار به‌عنوان سرویس و تابع به‌عنوان سرویس را دارد. در این پژوهش تمرکز اصلی بر روی مدل سرویس‌دهی تابع به‌عنوان سرویس است. این مدل کاربران را قادر می‌سازد تا توابع ابری را بر روی بستری از منابع اجرا کنند بدون این که نگرانی درباره مدیریت زیرساخت آن داشته باشند. این کار هزینه کمتری برای آن‌ها خواهد داشت. یکی از مهم‌ترین چالش‌های این حوزه، مسئله زمان‌بندی توابع است. ارائه‌دهندگان سرویس، از الگوریتم‌های زمان‌بندی برای نگاشت درخواست‌های ورودی خود، به منابع محاسباتی استفاده می‌کنند. این نگاشت باید از جنبه‌های مختلفی که بر عملکرد سیستم تأثیر دارند، بهینه باشد. زمان‌بند، وظیفة مدیریت منابع را بر عهده دارد. اگرچه راه‌حل‌های مختلفی برای مدیریت تأمین منابع ارائه‌ شده است، اما برای مدیریت مؤثرتر منابع نیاز به روش‌های جدیدتری هست. بر این اساس، این کار پژوهشی یک الگوریتم ترکیبی جدید را برای بهبود عملکرد تأمین منابع ارائه می‌کند. در راه‌حل پیشنهادی، یک الگوریتم ترکیبی را بر اساس الگوریتم‌های ژنتیک توسعه داده‌ شده و شبیه‌سازی تبرید معرفی می‌کنیم. در این روش با استفاده از ترکیب دو الگوریتم ژنتیک توسعه داده‌ شده و الگوریتم تبرید، از مزایای هر دو الگوریتم استفاده کردیم. این دو الگوریتم مکمل یکدیگر شده و نتایج مقایسه رهیافت پیشنهادی با روش‌های دیگر نشان‌دهنده عملکرد مثبت این روش در کاهش زمان تکمیل درخواست‌ها است. به‌منظور پیاده‌سازی و بررسی عملکرد این روش، یک موتور شبیه‌سازی توسعه داده‌ شده است. طراحی و پیاده‌سازی رهیافت پیشنهادی با استفاده از زبان متلب انجام‌ شده است. محیط انجام آزمایش شامل یک مرکز داده و تعدادی میزبان هست. برای روش ارائه‌ شده معیارهای ارزیابی مختلفی نیز ارائه شده و رهیافت پیشنهادی به دو صورت پیاده‌سازی شده است. یکی به این صورت که الگوریتم تبرید برای تک‌به‌تک نمونه جمعیت تولید شده توسط الگوریتم ژنتیک توسعه داده‌شده، اجرا شود. روش دیگر که نتایج بهتری به همراه دارد به این صورت است که الگوریتم تبرید تنها بر روی بهترین نمونه از جمعیت اجرا شود. نتایج تجربی نشان می‌دهند رهیافت پیشنهادی در مقایسه با پیاده‌سازی‌های غیر اکتشافی 70درصد، در مقایسه با الگوریتم ژنتیک30 درصد و همچنین در مقایسه با الگوریتم تبرید 30 درصد زمان تکمیل اجرای درخواست کمتری دارد و درنتیجه عملکرد بهتری دارد.





 

کلیدواژه‌ها


d Computing Serverless “,Siyamb .N ,Alqaryoutia .O] 1[
 Research Scientific American” ,A :Cloud on Tasks Scheduling
2018. 235-247, .pp 40, .vol ,)JETSASR (Sciences and ,Technology ,Engineering for Journal
 ,Carreira .J ,Khandelwal .A ,Sreekanti .V ,Smith-Schleier .J] 2[
 :become should and is computing serverless What “,tersonPat .DA ,Stoica .I ,Gonzalez .JE ,Popa .RA ,Yadwadkar .NJ
 the of Communications” ,computing cloud of phase next The
2021. 76-84, .pp 64, .vol ,ACM
 Towards “,Azar .SI ,Shahi .Z ,ValiKardan .S ,Masdari .M] 3[
 comprehensive a :computing cloud in scheduling workflow
 .vol ,Applications Computer and Network of Journal” ,analysis
2016. 64-82, .pp 66
 and issues :computing Cloud “,Chang .E ,Wu .C ,Dillon .T] 4[
 International IEEE th24 the of Proceedings in” ,challenges
27-33. .pp ,Australia ,WA ,Perth -2010,April ,cationsAppli and Networking Information Advanced on Conference
 Issues Security The “ ,Malik .MS ,Zubair .M ,Akbar .H] 5[
 for Journal International” ,Computing Cloud in challenges and
2023. 13-32, .pp 7, .vol ,Investigation Crime Electronic
2010. 7-18, .pp 1, .vol ,Applications and vicesSer Internet of Journal” ,challenges research and art-the-ofstate :computing Cloud “,Boutaba .R ,Cheng .L ,Zhang .Q] 6[
.faceprep.www://http:URL ,Faceprep ,”computing cloud] “7[
2022. October :10Date Access /,computing-cloud/skillboard/in
 2018. 28, Jan ,Fingent” ,business your for one right the choosepaas ,iaas ,saas models service Cloud “,Saratchandran .V] 8[
2011. 1-4, .pp ,Computer States edUnit” ,computing cloud of basics The “,Cebula .J ,Huth .A] 9[
 Journal” ,computing cloud in schemes placement machine tualvir of overview An “,Ahmadi .V ,Nabavi. SS ,Masdari .M] 10[
 106-127, .pp 66, .vol ,Applications Computer and Network of
2016.
 ,Gitconnected ,”2020 in machines virtual of state The] “11[
 October 11 :Date Access /,d40a8c6d5f-2020-22in-machinesvirtual-of-state-the/com.gitconnected.levelup ://http :URL
2022.
 scheduler efficient An :Fnsched “,Gandhi .A ,Suresh .A] 12[
 -2019,December ,Computing Serverless on Workshop tionalInterna th5 the of Proceedings in” ,functions serverless for
.19-24. pp ,States United ,York New
 “,applications and ,challenges ,opportunities of survey a :ingcomput Serverless “,Mousavi .P ,Khonsari .A ,Shafiei .H] 13[
. 1-32, .pp 54, .vol ,Surveys Computing ACM
 resource-multi A “,Lin .W ,Xu .X ,Peng .G ,Li .Y ,Mao .L] 14[
 offs-trade performance-energy for algorithm scheduling task
2018. 233-241, .pp 19, .vol ,temsSys and Informatics :Computing Sustainable” ,clouds green in
 independent Scheduling “,Du .X ,Liu .Y ,Han .P ,Chen .J] 15[
2021. 6256,e .pp ,enceExperi and Practice :Computation and Concurrency” ,lutionevo differential modified on based environment cloud in tasks
 in scheduling improved on Survey “,Reddy .LS ,Rao .BT] 16 [
 preprint arXiv” ,environments cloud in MapReduce Hadoop
2012. 3, Jul :1207.0780.arXiv
 of Journal International” ,computing cloud in algorithm minmax Improved “,Elsoud .MA ,Reshad .MZ ,Elzeki .OM] 17 [
2012. 12, .no 50, .vol ,Applications Computer
 algorithm greedy the of performance Improved “,Slavík .P] 18[
 .no , 64 .vol ,Letters Processing Information” ,cover partial for
2010. 251-254, .pp 5,
 “,algorithm PSO heuristic novel a using scheduling tasks entindepend Multiprocessor “,Rahmani .AM ,Omidi .A] 19 [
 on Conference International IEEE nd2 the of Proceedings in
 -2009,August ,Technology Information and Science Computer
369-373. .pp ,China ,Beijing
 and complexity time-Low “,Kong .L ,Chen .Z ,Mapetu .JP] 20[
 task for algorithm optimization swarm particle binary cost-low
 Applied” ,computing cloud in balancing load and scheduling
2019. 3308-3330, .pp 49, .vol ,Intelligence
 GSA A “,Jana .PK ,Singh .V ,Gupta .I ,Choudhary .A] 21[
 scheduling workflow objective-bi for algorithm hybrid based
 ,Systems Computer Generation Future” ,computing cloud in
2018. 14-26, .pp 83, .vol
 forbidden with scheduling Job “,Köchel .P ,Hentsch .K] 22[
 285-298, .pp 19, .vol ,Research Operations of Journal ropeanEu Central” ,plant casting continuous a at study case A :tiespenal and algorithms genetic using objectives two and setups
 2011.
 Computation “,Chandrasekaran .S ,Wahab .AB ,Raman .N] 23[
 network neural backpropagation using scheduling workflow of
 “,approach placement machine virtual A :computing cloud in
2021. 9454-9473, .pp 77, .vol ,Supercomputing of Journal The
 Computing Neural” ,infrastructure cloud the in hosted cationsappli web autoscaling to algorithm genetic using models tionpredic series time Combining “.al et ,Rogério Valter .M] 24[
2016. 2383-2406, .pp 27, .vol ,Applications and
 Using “.Lung .C and ,Ajila .A Samuel .Y ,Nikravesh .A] 25[
 space search a in solution optimal find to algorithms genetic
 of Journal” ,maker decision driven-cost predictive cloud a for
2018. 1-21, .pp 7 .vol ,Computing C