منابع پایان نامه درمورد ماشین، مجازی، الگوریتم

مجازی را برای سرورها برپایه فرکانس پردازنده تعیین می کند [65].آنها از مدیریت قدرت که بوسیله سیستم عامل میهمان برای پیاده سازی سیاست قدرت محلی و جهانی از طریق ماشین های فیزیکی فراهم می شود استفاده کردند.
اخیرا Liu و همکاران راه حل مدیریت ابر را پیشنهاد داده اند که مهاجرت زنده ماشین مجازی و نظارت لحظه ای و قرارگیری ماشین های مجازی را بهینه می کند. آنها یک راه حل اکتشافی برای تعیین مکان ماشین های مجازی ارائه دادند که شامل تابع هزینه اجرا و مهاجرت می شود [66] . اما کار آنها جزئیاتی از چگونگی پیدا کردن تابع هزینه ارائه نمی کند.
سیستم های منبع باز مانند Eucalyptus [67] و Open Nebula [68] وجود دارد که برای مدیریت ایجاد و تخصیص ماشین مجازی در سراسر ماشین های فیزیکی پشتیبانی فراهم می کند.
Wood و همکاران سیاست زمانبندی برای زمانبندی پویای vm ها برپایه استفاده منابع که شامل cpu و حافظه و مولفه های زیرشبکه می شود ارائه داده اند [69] . اما کار آنها بیشتر روی توسعه الگوریتم برای اجتناب از در تله55 افتادن تاکید می کند تا بهینه سازی انرژی عملیاتی.
Bobroff و همکاران الگوریتم تثبیت و مهاجرت پویای سرور ارائه داده اند به نحویکه از نقض SLA جلوگیری شود [70]. کار آنها مکانیزمی برای درجه بندی بار کاری است که بیشتر تاکید روی SLA نسبت به صرفه جویی در انرژی مصرفی است.
در این قسمت روی جزئیات بیشتر سه الگوریتم که در این زمینه ارائه شده اند و مرتبط با کار ما می باشند بحث می کنیم.
الگوریتم MBFD56
این الگوریتم توسط A.Bloglazov,R.Buyya [71] ارائه شد. طبق الگوریتم ارائه شده , بهینه سازی تخصیص فعلی ماشین مجازی در این الگوریتم در دو مرحله انجام شده است : در مرحله اول ماشین های مجازی انتخاب می شود که نیاز به مهاجرت دارند ، در مرحله دوم , VMS ها بر روی میزبان ها قرار می گیرند.
این الگوریتم در ابتدا. همه ماشین های مجازی را بر اساس استفاده فعلی به ترتیب نزولی مرتب می کند و هر ماشین مجازی به یک میزبان تخصیص می یابد که با توجه به این تخصیص ها حداقل افزایش مصرف انرژی فراهم کند. این اجازه می دهد از بین گره های ناهمگون گرهی انتخاب شود که قدرت کارآمد دارند.
پیچیدگی این بخش از الگوریتم تخصیص nm هست که در آن n تعداد VMS که باید اختصاص داده شود وmتعداد میزبان است. .
در این الگوریتم از سیاست 57HPG برای انتخاب ماشین مجازی که باید از میزبان مهاجرت کند استفاده می شود.طبق سیاست HPG (بالاترین رشد بالقوه ) ماشین مجازی برای مهاجرت انتخاب می شود که کمترین استفاده از CPU نسبت به درخواستش داشته و این به منظور به حداقل رساندن افزایش بالقوه استفاده و اجتناب از نقض (توافق نامه سطح خدمات) 58SLA می باشد.
شبه کد MBFD
الگوریتم ST 59
الگوریتم آستانه تنها (ST) ، بر اساس ایده تنظیم حداکثر و حداقل آستانه استفاده برای میزبان و حفظ کل استفاده از CPU توسط تمام ماشین های مجازی بین این آستانه ها است .
اگر استفاده از پردازنده یک میزبان کمتر از حداقل آستانه استفاده شود، تمام ماشین های مجازی از این میزبان مهاجرت می کنند و میزبان به منظور حذف مصرف قدرت بیهوده خاموش شود
اگر استفاده بیش از سطح حداکثر آستانه شود ، جهت کاهش استفاده پردازنده و همچنین جلوگیری از نقض توافقنامه سطح خدمات SLA , برخی از ماشین های مجازی باید از میزبان مهاجرت کنند. این روند با مهاجرت ماشین های مجازی پایان می یابد. براساس این الگوریتم ماشین های مجازی را زمانی روی میزبان قرار می دهیم که مقدار کل استفاده از پردازنده ی میزبان(با احتساب مقدار پردازش ماشین مجازی جدید) پایین تر از آستانه اش شود.. هدف , حفظ منابع آزاد برای جلوگیری از نقض توافقنامه سطح خدمات و تثبیت زمان استفاده هست در زمانیکه ماشین های مجازی افزایش می یابند با این شرط که حداکثر آستانه استفاده نقض نشود.
الگوریتم MM60
الگوریتم MM )حداقل کردن مهاجرت( حداقل تعداد ماشین مجازی را که نیاز به مهاجرت دارند از یک میزبان به میزبان دیگری با استفاده پردازنده کمتر انتخاب می کند . استفاده پردازنده میزبان جدید باید از آستانه بالای تعریف شده کمتر باشد. این به دلیل به حداقل رساندن سربار مهاجرت است.
Vj مجموعه ماشین های مجازی تخصیص یافته به میزبان j هست. مقدار انرژی مصرفی Vj می باشد. سیاست MM طبق فرمول زیر عمل می کند.
که X متغیر تصادفی توزیع شده یکنواخت برای انتخاب زیرمجموعه Vj می باشد .
شبه کد MM
الگوریتم حریصانه 61
این الگوریتم ابتدا ماشین های مجازی را براساس فاکتور مرتب سازی که اندازه ماشین مجازی می باشد مرتب می کند. در اینجا منظور از اندازه , مصرف انرژی ماشین مجازی و مقدار منابع مورد استفاده بصورت ترکیبی می باشد. ماشین های مجازی بصورت کاهشی مرتب می شوند . بزرگترین ماشین v از لیست پاک می شود و با افزودن آن به هر سرورمقدار انرژی مصرفی اندازه گرفته می شود و سپس به سوری افزوده می شود که با آن تخصیص کمترین مصرف انرژی را داشته باشیم.
شبه کد الگوریتم حریصانه:
الگوریتم MFF 62(تغییر اولین تناسب)
این الگوریتم ابتدا ماشین های مجازی و سرورها رابراساس فاکتورهای مرتب سازی مرتب می کند. ماشین های مجازی بصورت کاهشی و سرورها بصورت افزایشی مرتب می شوند. اولین ماشین مجازی از لیست پاک می شود و به اولین میزبان مناسب تخصیص داده می شود.تناسب از لحاظ حافظه و مقدار پردازنده مورد نیاز و فاکتورهای دیگر بررسی می شود[72].
شبه کد modified first fit
2-5 نتیجه گیری
همانطور که در این فصل مشاهده کردید تاکنون روش های متعددی جهت صرفه جویی انرژی در محیط ابر پیشنهاد شده اند..
روشی را هم که ما در این پایان نامه ارائه کرده ایم، سعی بر آن دارد تا آنجا که ممکن است از مصرف انرژی توسط مراکز داده و متعاقب آن تولید کربن و آلاینده های زیستی جلوگیری کند.
ما با ارائه یک الگوریتم برپایه الگوریتم بهینه سازی ژنتیک موفق شدیم به چنین هدفی دست پیدا کنیم .
نتایج شبیه سازی ها نیز این واقعیت را به خوبی نشان می دهند.
در فصل بعد روش پیشنهادی را به طور مفصل توضیح خواهیم داد و در فصل های بعدی ارزیابی و مقایسه ای از روش پیشنهادی نسبت به روش های دیگر خواهیم آورد.
فصل سوم
ارائه الگوریتم پیشنهادی
3-1 مقدمه
همانطور که قبلا بحث شد برای ارائه دهندگان ابر بسیار مهم است که الگوریتم های زمانبندی که برای شبکه محاسباتی ابر پیشنهاد می شوند فاکتور مصرف انرژی را کاهش داده و کیفیت را تضمین نمایند.الگوریتم زمانبندی ارائه شده همزمان با کاهش مصرف انرژی مراکز داده و کاهش تولید آلاینده های زیستی ,کیفیت اجرای برنامه های کاربران را تضمین می کند .در ادامه این فصل الگوریتم زمانبندی پیشنهادی را توضیح می دهیم.
3-2 الگوریتم پیشنهادی
ما متغیر p را جهت نمایش ماشین های فیزیکی در سیستم تنظیم می کنیم .
P={p1,p2,……pn} و n تعداد ماشین های فیزیکی است که در اینجا جهت مقایسه با الگوریتم های دیگر آنرا 800 در نظر می گیریم. Pi به ماشین فیزیکی منحصر اشاره می کند که i شماره آن ماشین فیزیکی است و در محدوده زیر می باشد. 1= i =n .همچنین ماشین های مجازی روی هر میزبان را با حرف V نشان می دهیم که Vi={v1,v2,…..vm} که m تعداد ماشین مجازی روی سرور فیزیکی i می باشد. تعداد ماشین های مجازی کل 1052 تنظیم شده است.
ما در نظر داریم ماشین های مجازی را به نحوی به ماشین های فیزیکی تخصیص دهیم که انرژی مصرفی سرورها کمینه گردد و کیفیت اجرای برنامه کاربر نیز تضمین گردد. جهت تضمین کیفیت برنامه ها , ما از مهاجرت ماشین های مجازی بهره می بریم . تعدادی از الگوریتم های پیشنهادی در زمینه انرژی , با رسیدن ماشین فیزیکی به نقطه بحرانی مصرف انرژی, جهت کاهش مصرف انرژی, آن ماشین فیزیکی را خاموش کرده و طبیعتا تمام ماشین های مجازی مستقر روی ماشین فیزیکی نیز از کار افتاده و برنامه های کاربران معلق می شود. اما در کار ما , با استفاده از تکنولوژی مهاجرت ماشین های مجازی, برنامه کاربر در هر حال اجرا می شود و این به این ترتیب است که با رسیدن انرژی یک ماشین فیزیکی به نقطه بحرانی که در اینجا به90 و 10در صد استفاده از پردازنده ماشین فیزیکی تنظیم می شود ماشین های مجازی اضافی با استفاده از روش مهاجرت زنده به ماشین های دیگر مهاجرت می کنند .
الگوریتم زمانبندی ارائه شده از آنجا که از مهاجرت زنده جهت مهاجرت ماشین های مجازی استفاده می کند کیفیت اجرای برنامه های کاربران را تضمین می کند . در این نوع مهاجرت, برنامه اجرایی ماشین مهاجر به کار خود حتی در حال مهاجرت ادامه می دهد و توقفی در کار صورت نمی گیرد. بنابراین برنامه کاربر در زمان خود ادامه می یابد و کاربر متوجه این تغییر مکان و تاخیری نخواهد شد.
این در حالیست که اگر از مهاجرت عادی استفاده شود قبل از مهاجرت برنامه ها کاملا قطع شده و در مقصد از سر گرفته می شوند و این باعث اتلاف زمان کاربر می شود. از طرفی با خاموش کردن دستگاه تمامی برنامه های روی آن متوقف شده و مجددا درصف اجرا قرار می گیرند. این در حالیست که در مهاجرت زنده همزمان با مهاجرت تمامی دستورات و وضعیت سیستم نیز در حال اجرا به مقصد منتقل شده و در مقصد ادامه کار اجرا خواهد شد.
براساس الگوریتم ارائه شده از آقای buya و همکاران [73]و ارائه آن در شبیه سازها, ما نقطه بحرانی 90 در صد و 10 در صد را جهت مهاجرت انتخاب کردیم.
براساس این الگوریتم در صورتیکه استفاده از پردازنده یک ماشین فیزیکی به بیش از 90 در صد ظرفیت آن برسد تعدادی از ماشین های مجازی مستقر روی آن بصورت زنده مهاجرت می کنند و این به دلیل افزایش صعودی مصرف انرژی ماشین فیزیکی بعد از 90 در صد استفاده از پردازنده است. با این کار مصرف انرژی را کاهش خواهیم داد.
از طرفی دیگر زمانی که استفاده از پردازنده به کمتر از ده درصد ظرفیت آن برسد تصمیم می گیریم که تمام ماشین های مجازی مستقر روی آن به سمت ماشین های فیزیکی دیگر مهاجرت کنند و ماشین فیزیکی مبدا جهت کمینه کردن مصرف انرژی خاموش شود. این کار به این دلیل است که ماشین فیزیکی که روشن میشود حتی اگر هیچ ماشین مجازی روی آن نباشد انرژی اولیه زیادی را مصرف می کند بنابراین ده درصد تنظیم می گردد تا ماشین فیزیکی ,انرژی زیادی را به بهای کار اندک مصرف نکند.
در این الگوریتم از الگوریتم بهینه سازی ژنتیک جهت حل مسئله بهره برده ایم.
الگوریتمهای ژنتیکی، نسبت به روشهای معمول بهینهسازی و روالهای جستجو تفاوتهای زیادی دارند:
1- الگوریتمهای ژنتیکی، با مجموعه‌ی کدشده‌ی جواب کار میکنند نه با خود جوابها.
2- الگوریتمهای ژنتیکی، با یک جمعیتی از جوابها کار میکند نه با خود جواب.
3- الگوریتمهای ژنتیکی، از اطلاعات نتیجه نهایی استفاده میکنند(تابع سنجش تطابق) نه از مشتقگیری یا دانش کمکی دیگر.
4- الگوریتمهای ژنتیکی، از قوانین انتقال احتمالی استفاده میکنند نه از قوانین قطعی.
5-الگوریتمهای ژنتیکی، در فضای مستقل از فضای مسئله فعالیت دارد.
همانطور که در فصل قبل بیان شد پنج تابع اصلی در الگوریتم ژنتیک وجود دارد:
1- ایجاد جمعیت اولیه Initial population()
2- ارزیابی جمعیت evaluation function()
3- Selection()
4- Crossover()
5- Mutation()
در الگوریتم ارائه شده با تغییری که در الگوریتم ژنتیک رایج می دهیم تابع ششمی را به این روال افزودیم که بار

مطلب مرتبط با این موضوع :  پایان نامه با کلید واژه هایپردازش اطلاعات

دیدگاهتان را بنویسید