یک مدل زمانبندی وظایف در منابع ناهمگن ابری با ترکیبی از الگوریتم های هوش جمعی
محورهای موضوعی : مجله فناوری اطلاعات در طراحی مهندسی
صفدر رستمی
1
(
دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد جنوب- تهران، تهران، ایران
)
علی برومندنیا
2
(
دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد جنوب- تهران، تهران، ایران
)
احمد خادم زاده
3
(
دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، دانشگاه آزاد اسلامی واحد جنوب- تهران، تهران، ایران
)
کلید واژه: رایانش ابری, زمانبندی وظایف, رتبه بندی نامغلوب, صف های اولویت چندگانه,
چکیده مقاله :
رایانش ابری محیطی ست ،که کاربران براساس تقاضا و پرداخت به ازای استفاده به منابع محاسباتی اشتراکی دسترسی دارند. با توجه به محدودیت و پویایی منابع محاسباتی برای اجرای درخواست‌های متنوع و متغیر با زمان کاربران، نیاز به یک مکانیزم زمانبندی موثر برای رسیدگی به شرایط پویای سیستم و بهره وری منابع و رضایت کاربران امری حیاتی می باشد. از آنجایی که تخصیص وظایف به منابع یک چالش اساسی در محیط های ابری به شمار میرود الگوریتم‌های بسیاری جهت کاهش زمان اجرا و موازی‌سازی زیروظایف ارائه شده است. الگوریتم‌های زمانبندی موجود تلاش می‌کنند با توجه به وضعیت فعلی سیستم، یک زمانبندی بهینه بین منابع و وظایف با توجه به پویایی درخواست های کاربران فراهم آورند، ولی با این وجود اغلب این روش ها نتوانسته اند در بلندمدت نتیجه مطلوبی را ارائه دهند. به دلیل سرعت همگرایی پایین راه‌حل‌ها در الگوریتم‌های فرااکتشافی در این مقاله یک روش زمانبندی متناسب با صف‌های اولویت چندگانه مبتنی بر رتبه‌بندی نامغلوب و به کمک الگوریتم بهینه سازی جستجوی کاپوچین برای سیستم‌های ابری ناهمگن ارائه شده است. نتایج شبیه سازی نشان میدهد که روش پیشنهادی در مقایسه با روش های پیشین از نظر تاخیر، توازن بار و زمان اجرا بهتر عمل می‌کند.
Cloud computing is an environment where users have access to shared computing resources on an on-demand and pay-per-use basis.Regarding the limitations and dynamism of computing resources for the allocation of tasks to resources in a cloud environment, an effective scheduling mechanism is essential to solving these limitations and user satisfaction. Hence, numerous algorithms have been proposed to reduce execution time and parallelize tasks. To achieve optimal scheduling, existing scheduling algorithms consider the system's current condition. However, most proposed algorithms did not necessarily yield an optimal result in the long term and were only successful in improving one parameter of Quality of Service (QoS). Owing to the low convergence rate of solutions in metaheuristic algorithms, this paper presents a scheduling method in accordance with Multi-Level Priority Queues (MLPQ) based on non-dominated sorting using the Capuchin Search Algorithm (CapSA) for heterogeneous cloud systems. Compared to previous approaches, the proposed method demonstrates superior performance in terms of delay, load balancing, execution cost, and execution time.