استفاده از الگوریتم های اجماع برای بهینه سازی معماری میکروسرویس
الموضوعات : سامانه‌های پردازشی و ارتباطی چندرسانه‌ای هوشمنداسماعیل صادقی هفشجانی 1 , محمود دی پیر 2 , علی برومندنیا 3
1 - گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
2 - گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
3 - گروه مهندسی کامپیوتر، واحد تهران جنوب، دانشگاه آزاد اسلامی، تهران، ایران
الکلمات المفتاحية: الگوریتم‌های اجماع, پروتکلPaxos , تحمل خطا, تخصیص منابع, میکروسرویس, مقیاس‌پذیری,
ملخص المقالة :
معماری‌های میکروسرویس (MSAs) به یک رویکرد اساسی برای ایجاد سیستم‌های توزیع‌شده مقیاس‌پذیر تبدیل شده‌اند. با این حال، دستیابی به سازگاری و تحمل خطا همچنان یک چالش بزرگ است. این مطالعه با هدف بهبود عملکرد و قابلیت اطمینان سیستم‌های میکروسرویس با ادغام الگوریتم‌های اجماع Paxos انجام شده است. روش‌شناسی ما شامل استفاده از Paxos برای تضمین سازگاری و تحمل خطا در سیستم‌های میکروسرویس می‌باشد. شبیه‌سازی‌ها و مطالعات موردی برای ارزیابی عملکرد رویکرد ما انجام شده است. نتایج نشان می‌دهد که Paxos تأخیر را کاهش داده، رقابت منابع را به حداقل می‌رساند و سازگاری حالت را در خدمات توزیع‌شده تضمین می‌کند. بهینه‌سازی مبتنی بر Paxos نه تنها عملکرد را بهبود می‌بخشد، بلکه قابلیت اطمینان و دسترسی سیستم‌های میکروسرویس را نیز افزایش می‌دهد. این مطالعه مزایای قابل توجهی از Paxos در بهینه‌سازی استقرارهای میکروسرویس را نشان می‌دهد.
[1] J. Esparza-Peidro, F. D. Muñoz-Escoí, and J. M. Bernabéu-Aubán, “Modeling microservice architectures,” J. Syst. Softw., vol. 213, p. 112041, Jul. 2024, doi: 10.1016/J.JSS.2024.112041.
[2] “Modeling microservice architectures - ScienceDirect.” Accessed: Jul. 27, 2024. [Online]. Available: https://www.sciencedirect.com/science/article/abs/pii/S0164121224000840
[3] J. Esparza-Peidro, F. D. Muñoz-Escoí, and J. M. Bernabéu-Aubán, “Modeling microservice architectures,” J. Syst. Softw., vol. 213, Jul. 2024, doi: 10.1016/j.jss.2024.112041.
[4] M. Diogo, B. Cabral, and J. Bernardino, “Consistency models of NoSQL databases,” Futur. Internet, vol. 11, no. 2, 2019, doi: 10.3390/FI11020043.
[5] X. Zhou et al., “Revisiting the practices and pains of microservice architecture in reality: An industrial inquiry,” J. Syst. Softw., vol. 195, Jan. 2023, doi: 10.1016/j.jss.2022.111521.
[6] J. Zhao, Y. Zhang, J. Jiang, Z. Hua, and Y. Xiang, “A secure dynamic cross-chain decentralized data consistency verification model,” J. King Saud Univ. - Comput. Inf. Sci., vol. 36, no. 1, p. 101897, 2024, doi: 10.1016/j.jksuci.2023.101897.
[7] Y. Song, P. Dhariwal, M. Chen, and I. Sutskever, “Consistency Models,” Proc. Mach. Learn. Res., vol. 202, pp. 32211–32252, 2023, doi: 10.1007/978-1-4842-1329-2_9.
[8] P. Bailis, S. Venkataraman, M. J. Franklin, J. M. Hellerstein, and I. Stoica, “Quantifying eventual consistency with PBS,” VLDB J., vol. 23, no. 2, pp. 279–302, 2014, doi: 10.1007/S00778-013-0330-1.
[9] M. ul Hassan et al., “An efficient dynamic decision-based task optimization and scheduling approach for microservice-based cost management in mobile cloud computing applications,” Pervasive Mob. Comput., vol. 92, p. 101785, 2023, doi: https://doi.org/10.1016/j.pmcj.2023.101785.
[10] L. Lelovic et al., “Change impact analysis in microservice systems: A systematic literature review,” J. Syst. Softw., vol. 219, p. 112241, 2025, doi: https://doi.org/10.1016/j.jss.2024.112241.
[11] M. Baboi, A. Iftene, and D. Gîfu, “Dynamic Microservices to Create Scalable and Fault Tolerance Architecture,” Procedia Comput. Sci., vol. 159, pp. 1035–1044, Jan. 2019, doi: 10.1016/J.PROCS.2019.09.271.
[12] M. Baboi, A. Iftene, and D. Gîfu, “Dynamic Microservices to Create Scalable and Fault Tolerance Architecture,” Procedia Comput. Sci., vol. 159, pp. 1035–1044, 2019, doi: 10.1016/j.procs.2019.09.271.
[13] N. Bansal, A. Awasthi, and S. Bansal, “Task scheduling algorithms with multiple factor in cloud computing environment,” Advances in Intelligent Systems and Computing, vol. 433. pp. 619–627, 2016. doi: 10.1007/978-81-322-2755-7_64.
[14] A. K. Jain, N. Gupta, and B. B. Gupta, “A survey on scalable consensus algorithms for blockchain technology,” Cyber Secur. Appl., vol. 3, p. 100065, Dec. 2025, doi: 10.1016/J.CSA.2024.100065.
[15] T. F. da Silva Pinheiro, P. Pereira, B. Silva, and P. Maciel, “A performance modeling framework for microservices-based cloud infrastructures,” J. Supercomput., vol. 79, no. 7, pp. 7762–7803, May 2023, doi: 10.1007/S11227-022-04967-6/METRICS.
[16] A. Zappone and E. A. Jorswieck, “Energy-efficient resource allocation in future wireless networks by sequential fractional programming,” Digit. Signal Process., vol. 60, pp. 324–337, Jan. 2017, doi: 10.1016/J.DSP.2016.09.014.
[17] H. Guo, H. Cao, J. He, X. Liu, and Y. Shi, “POBO: Safe and optimal resource management for cloud microservices,” Perform. Eval., vol. 162, p. 102376, Nov. 2023, doi: 10.1016/J.PEVA.2023.102376.
[18] B. Cai, B. Wang, M. Yang, and Q. Guo, “AutoMan: Resource-efficient provisioning with tail latency guarantees for microservices,” Futur. Gener. Comput. Syst., vol. 143, pp. 61–75, Jun. 2023, doi: 10.1016/J.FUTURE.2023.01.014.
[19] V. Ramamoorthi, “AI-Enhanced Performance Optimization for Microservice-Based Systems,” vol. 4, no. September, pp. 1–7, 2024, doi: 10.69987/JACS.2024.40901.
[20] B. Barua and M. S. Kaiser, “Leveraging Microservices Architecture for Dynamic Pricing in the Travel Industry : Algorithms , Scalability , and Impact on Revenue and Customer Satisfaction,” pp. 1–19.
[21] X. Zhou et al., “Revisiting the practices and pains of microservice architecture in reality: An industrial inquiry,” J. Syst. Softw., vol. 195, p. 111521, Jan. 2023, doi: 10.1016/J.JSS.2022.111521.
[22] A. Munir, “Design and Implementation of a Smart Peer-to-Peer Energy Exchange Platform,” IEEE Trans. Smart Grid, vol. 8, no. 4, pp. 1730–1741, 2017.
