یک الگوریتم ابتکاری پیشفعال برای مقیاسبندی خودکار منابع ابری
سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 616
- صدور گواهی نمایه سازی
- من نویسنده این مقاله هستم
استخراج به نرم افزارهای پژوهشی:
شناسه ملی سند علمی:
ICMRS02_031
تاریخ نمایه سازی: 5 بهمن 1395
چکیده مقاله:
با ظهور رایانش ابری و امکان اجاره منابع مجازی به اندازه مصرف، ارائه دهندگان سرویس کاربرد (ASP) با انگیزه ارائه کاربردهای تحت وب وارد عرصه فناوری اطلاعات شدند. آنها ماشین های مجازی را برای میزبانی کاربردهای خود از ارائه دهندگان سرویس ابر اجاره می کنند؛ اما ممکن است با توجه به پویایی بارکاری، این منابع به اندازه نیاز واقعی ASP نباشند. اینجاست که مساله مقیاس بندی منبع بصورت خودکار مطرح می شود. به کمک خاصیت مقیاس پذیری رایانش ابری می توان این چالش را برطرف کرد. محققان به طور کلی با ارائه روش های واکنشی یا پیش فعال به حل این مساله می پردازند. اما از آنجا که راه اندازی یک ماشین مجازی با دقایقی تاخیر همراه است، لذا مقیاس بندی بر اساس روش واکنشی موجب تنزل در سطح مقبولیت سرویس و نارضایتی کاربران می شود. در این مقاله یک الگوریتم ابتکاری پیش فعال برای مقیاس بندی منابع ارائه می شود که می تواند نیاز یا عدم نیاز به منابع را از قبل پیش بینی کند. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، مکانیزم های مقیاس بندی آگاه به منابع و اگاه به SLA را در CloudSim شبیه سازی کردیم. پارامترهای موثر در تصمیم گیری مقیاس بندی: بهره وری منابع و زمان پاسخ بودند. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی در بهبود عملکرد مکانیزم های آگاه به منابع و آگاه به SLA به خوبی عمل می کند؛ به نحوی که توانست کیفیت سرویس، نوسانات بهره وری منابع، سربار مقیاس بندی و مهمتر از همه هزینه را بهبود بخشد.
کلیدواژه ها:
نویسندگان
محمدصادق اصلان پور
گروه مهندسی کامپیوتر، واحد سیرجان، دانشگاه آزاد اسلامی، سیرجان، ایران
سیدابراهیم دشتی
گروه مهندسی کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی، جهرم، ایران
سیاوش قزلی
گروه شهرسازی، واحد جهرم، دانشگاه آزاد اسلامی، جهرم،ایران
مراجع و منابع این مقاله:
لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :