یک استراتژی آگاهانه سبز برای قرار دادن ماشین مجازی در مراکز داده ابری

الموضوعات :

هدایت نصراللهی ماتک ¹ , همایون موتمنی ² , بهنام برزگر ³ , ابراهیم اکبری ⁴ , حسین شیرکاهی ⁵

1 - 1Department of Computer Engineering, Sari Branch, Islamic Azad University, Sari, Iran
2 - Department of Computer Engineering, Sari Branch, Islamic Azad University, Sari, Iran
3 - Department of Computer Engineering, Babol Branch, Islamic Azad University, Babol, Iran
4 - Department of Computer engineering, Sari Branch, Islamic Azad University, Sari, IRAN.
5 - Department of computer engineering, Jouybar branch, Islamic Azad University, Jouybar, Iran

تاريخ الإرسال : 18 الخميس , صفر, 1446 تاريخ التأكيد : 26 الأحد , ربيع الأول, 1446 تاريخ الإصدار : 03 الأحد , ربيع الثاني, 1446

الکلمات المفتاحية: رایانش ابری, قرار دادن ماشین مجازی, بهینه سازی چند هدفه, الگوریتم های فراابتکاری.,

ملخص المقالة :

 این مقاله روشی را برای بهینه‌سازی مشکل تامین ماشین مجازی با هدف دوگانه، که یک چالش در مراکز داده ابری است، ارائه می‌کند. در محیط ابری، تعادل بین منافع ارائه دهندگان خدمات و مشتریان مهم است. از دیدگاه تولیدکنندگان، بهینه سازی مصرف انرژی و کاهش هزینه ها ضروری است. از دیدگاه کاربران، دستیابی به سطح مناسبی از کیفیت خدمات مطلوب است و تأخیر شبکه یکی از عواملی است که به کاهش آن کمک می کند. بنابراین، بهینه سازی استفاده از پهنای باند برای کاهش تاخیر شبکه، دومین هدف مهمی است که در این مطالعه در نظر گرفته شده است. برای حل این مشکل، یک روش دو هدفه مبتنی بر الگوریتم ژنتیک ارائه شده است که نتایج نزدیک به بهینه را در زمان قابل قبولی ارائه می دهد. ارزیابی‌ها برتری الگوریتم پیشنهادی را از نظر مصرف انرژی کل و ترافیک کل در شبکه در مقایسه با روش‌های مبتنی بر الگوریتم ژنتیک، کلونی مورچه‌ها، الگوریتم FFD حریص و روش استقرار تصادفی نشان می‌دهد.

المصادر:

[1] J. Masoudi, B. Barzegar and H. Motameni, "Energy-Aware Virtual Machine Allocation in DVFS-Enabled Cloud Data Centers," in IEEE Access, vol. 10, pp. 3617-3630, 2022, doi: 10.1109/ACCESS.2021.3136827.
[2] Y. Gao, H. Guan, Z. Qi, Y. Hou, and L. Liu, "A multi-objective ant colony system algorithm for virtual machine placement in cloud computing," Journal of computer and system sciences, vol. 79, no. 8, pp. 1230-1242, 2013.
[3] A. Gopu and N. Venkataraman, "Optimal VM placement in distributed cloud environment using MOEA/D," Soft Computing, vol. 23, no. 21, pp. 11277-11296, 2015.
[4] F. L. Pires and B. Barán, "Multi-objective virtual machine placement with service level agreement: A memetic algorithm approach," IEEE, pp. 203-210, 2013
[5] D. Kliazovich, P. Bouvry, and S. U. Khan, "GreenCloud: a packet-level simulator of energy-aware cloud computing data centers," The Journal of Supercomputing, vol. 62, no. 3, pp. 1263-1283, 2012.
[6] D. Serrano et al., "SLA guarantees for cloud services," Future Generation Computer Systems, vol. 54, pp. 233-246, 2016.
[7] M.-H. Malekloo, N. Kara, and M. El Barachi, "An energy efficient and SLA compliant approach for resource allocation and consolidation in cloud computing environments," Sustainable Computing: Informatics and Systems, vol. 17, pp. 9-24, 2018.
[8] G. Cao, "Topology-aware multi-objective virtual machine dynamic consolidation for cloud datacenter," Sustainable Computing: Informatics and Systems, vol. 21, pp. 179-188, 2019.
[9] A. Jobava, A. Yazidi, B. J. Oommen, and K. Begnum, "On achieving intelligent traffic-aware consolidation of virtual machines in a data center using Learning Automata," Journal of computational science, vol. 24, pp. 290-312, 2018.
[10] G. L. Stavrinides and H. D. Karatza, "An energy-efficient, QoS-aware and cost-effective scheduling approach for real-time workflow applications in cloud computing systems utilizing DVFS and approximate computations," Future Generation Computer Systems, vol. 96, pp. 216-226, 2019.
[11] J. Krzywda, A. Ali-Eldin, T. E. Carlson, P.-O. Östberg, and E. Elmroth, "Power-performance tradeoffs in data center servers: DVFS, CPU pinning, horizontal, and vertical scaling," Future Generation Computer Systems, vol. 81, pp. 114-128, 2018.
[12] P. Festa, "A brief introduction to exact, approximation, and heuristic algorithms for solving hard combinatorial optimization problems," IEEE, pp. 1-20, 2014
[13] Randy L.Haupt and sue Ellen Haupt. "Parctical Genetic Algorithm" (2nd ed),USA:Wiley. 2004.
[14] A.Alkan and E.Ozcan. “Memetic Algorithms for Timetabling", Evolutionary Computation, 2003. CEC '03. The 2003 Congress on, 3, pp 1796-1802. 2003.
[15] Shaw, R., Howley, E., & Barrett, E. (2019). An energy efficient anti-correlated virtual machine placement algorithm using resource usage predictions. Simulation Modelling Practice and Theory, 93, 322-342. 2019.
[16] Tordsson, J., Montero, R. S., Moreno-Vozmediano, R., & Llorente, I. M. Cloud brokering mechanisms for optimized placement of virtual machines across multiple providers. Future generation computer systems, 28(2), 358-367. 2012.