عنوان پایان‌نامه
طراحی یک روش توازن بار در رایانش ابری
- رشته تحصیلی
- مهندسی فناوری اطلاعات
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73316;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2726;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 73316;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 2726
- تاریخ دفاع
- ۲۶ شهریور ۱۳۹۳
- دانشجو
- لیلا بیگی هرچگانی
- استاد راهنما
- ناصر یزدانی
- چکیده
- در سالهای اخیر، رایانش ابری به عنوان یک مدل رایانشی جدید، به یک مسئله قابل توجه در دانشگاه‌ها و صنعت تبدیل شده است. در مراکز دادهی ابر که هسته رایانش ابری هستند، یکی از روشهای تخصیص منابع به درخواست ها، استفاده از الگوریتم های توازن بار می‌باشد. هدف الگوریتم های توازن بار، توزیع بارکاری بین گره‌های موجود در مراکز داده می‌باشد به طوری که بهره وری منابع افزایش یابد. از آنجایی که یکی دیگر از مسائل مهم علاوه بر افزایش بهره‌وری منابع در مراکز داده مسئله مصرف انرژی است ارائه یک الگوریتم مدیریت منابع که بتواند مصالحه بین کارایی و انرژی را بهینه سازد یکی از حوزه های تحقیقاتی است. در این پژوهش ما یک الگوریتم هوشمند ارائه داده‌ایم که به مدیریت ماشین‌های مجازی درسطح "زیرساخت به عنوان سرویس" می‌‌پردازد. این الگوریتم با استفاده از یادگیری تقویتی میزبان های با باراضافه را شناسایی کرده و از یک الگوریتم اکتشافی برای تخصیص دوباره‌ی ماشین‌های مجازی استفاده می‌کند. همچنین به منظور کاهش مصرف انرژی، میزبانهای با بارکم را شناسایی و بار آنها را به سایر گره‌ها منتقل می‌کند و گره‌ی مورد نظر را به حالت کم توان می‌برد. وجه تمایز این الگوریتم با سایر الگوریتم‌های اکتشافی در کاربرد پیش‌بینی بار آینده و روند بهره‌وری پردازنده هر گره در تصمیمات مدیریتی است. علاوه براین، الگوریتم با کمک یادگیری تقویتی، تصمیمات بهتری برای تشخیص گره‌های با بار اضافه می‌گیرد و توانسته است تعداد مهاجرت‌ها را به طور چشمگیری کاهش بدهد. نتایج شبیه‌سازی نشان می‌دهد که الگوریتم پیشنهادی از نظر مصرف انرژی به طور میانگین 2.7% درصد و از نظر کیفیت سرویس 45% بهبود داشته است.
- Abstract
- As a new computing model, cloud computing has turned into a significant issue in academic and industrial arenas in recent years. Cloud data centers, which constitute the core of cloud computing, employ load balance algorithms as a method for assigning resources to requests. Load balance algorithms seek to distribute workload among the nodes existing in the data centers so as to increase resources utilization. Since energy consumption is also important, presenting a resource management algorithm that could optimize trade-off between performance and energy is of great value. In our study, we have proposed an intelligent algorithm that is capable of managing virtual machines at "infrastructure as a service". This algorithm detects overloaded hosts through reinforcement learning and uses a heuristic algorithm to re-allocation the virtual machines. It also identifies underloaded hosts, transfers their load to other nodes, and puts the node in question into the low-power mode in order to reduce energy consumption. The difference between this algorithm and other algorithms lies in the prediction of future load as well as trend of CPU utilization of each node in management decisions. Thanks to reinforcement learning, our algorithm makes better decisions with regard to identifying overloaded nodes and is able to reduce migrations significantly. Simulation results show that the proposed algorithm has improved energy consumption by 2.7% and increased quality of service by 45% in average.
