موازنه گر نامتمرکز بار در محیط ابر با بهره گیری از سیاست تصمیم گیری چندشاخصه

نویسندگان

1 دانشگاه محقق اردبیلی

2 دانشگاه غیرانتفاعی - غیردولتی شاهرود

چکیده

چکیده: در محیط ابر، موازنه بار از طریق انتخاب ماشین مجازی مناسب از بین ماشین‌های مجازی موجود، جهت اجرای کار دریافت­شده، صورت می‌گیرد. انتخاب ماشین مجازی مناسب برای انجام هر کار، تابع پارامترهای مختلفی است. در ایـن مقالـه بـا در نظر گرفتن تک­تک پارامترها، مناسب­ترین ماشین مجازی را برای کار موردنظر انتخاب می‌نمائیم. این انتخاب به­صورت یک مسئله تصمیم­گیری چندشاخصه تعریف می­شود. ابتدا با در نظر گرفتن اهداف اساسی توازن بار، مسئله در قالب پارامترهای مؤثر در کارایی مدل می­شود؛ سپس مدل فوق با استفاده از روش تاکسونومی غیرکلاسیک که از پرکاربردترین روش­های تصمیم­گیری چندشاخصه است، حل می‌­شود. در این روش که TLB نامیده شده است، مطلوبیت هر ماشین مجازی با توجه به وزن اختصاص داده­شده به معیارها و میزان اهمیت هر یک از معیارها برای کاربر که بر اساس شاخص آنتروپی تعیین می‌شود، محاسبه می­گردد. درنهایت بهترین ماشین مجازی بر ­اساس ارزش اختصاص­یافته انتخاب می‌شود. جهت بررسی کارایی روش پیشنهادی، شبیه­سازی‌های گسترده‌ای در محیط  CloudSimانجام شده است که نشان می‌دهد روش پیشنهادی نسبت به روش­های FIFO، DLB، WRR و HBB-LB عملکرد بهتری دارد.

کلیدواژه‌ها


عنوان مقاله [English]

Decentralized Load Balancer in Cloud Environment by using Multi Attribute Decision Making Policy

[1] شهرام جمالی، سپیده ملک­تاجی و مرتضی آنالویی «مکان‌‍یابی ماشین‌های مجازی با استفاده از الگوریتم رقابت استعماری»، مجله مهندسی بـرق دانشگاه تبریز، جلد 46 شماره 1 صفحه 62-53.
[2] سیدهادی اقدسی و مقصود عباس­پور، «الگوریتم توزیع­شده جهت فراهم آوردن پوشش چند­جانبه از هدف در شبکه­های حسگر بصری»، مجله مهندسی برق دانشگاه تبریز، جلد ۴۲، شماره ۲، صفحه 63-53.
[3] B. Rajkumar, Ch. Yeoa and S. Venugopala, “Market Oriented Cloud Computing: Vision, Hype, and Reality for Delivering IT Services as Computing Utilities,” in High Performance Computing and Communications, 10th IEEE International Conference on, pp. 5-13, 2008.
[4] J. G. Aguado, J. M. Alcaraz Calero and W. D. Villanueva, “IaaSMon: Framework for Monitoring Cloud Computing Datacenters,” Jounal of Grid Computing, vol. 14, no. 2, pp. 283–297, 2016.
[5] L. M Vaquero, L. R. Merino, J. Caceres and M. Lindner, “A Break in the Clouds: Towards a Cloud Definition,” ACM SIGCOMM Computer Communication Review, vol. 39, no. 1, pp. 50-55, 2009.
[6] M. Jose, A. Calero and J.G. Aguado, “Comparative analysis of architectures for monitoring cloud computing infrastructures,” Future Generation Computer Systems, vol. 47, pp.16-30, 2015.
[7] S. T. Maguluri, R. Srikant and L. Ying, “Heavy traffic optimal resource allocation algorithms for cloud computing clusters," Performance Evaluation, vol.81, pp. 20-39, 2014.
[8] A. Singh, D. Juneja and M. Malhotra, “Autonomous Agent Based Load Balancing Algorithm in Cloud Computing,” Procedia Computer Science, vol. 45, pp. 832-841, 2015.
[9] K. Sunny, Kh. Shivani, “Analysis of different Scheduling Algorithms under Cloud Computing,” International Journal of Computer Science and Information Technologies, vol. 5, no. 2, pp.2592-2595, 2012.
[10] B. Yagoubi and Y. Slimani, “Dynamic load balancing strategy for grid computing, transactions on engineering,” Computing and Technology, pp. 260–265, 2006.
[11] M. Maheswaran, S. Ali, H. J. Siegel. Hensgen and D. Freund, "Dynamic Matching and Scheduling of a Class of Independent Tasks onto Heterogeneous Computing Systems," in Proceedings of the 8th Heterogeneous Computing Workshop, pp. 30-44, 1999.
[12] M. Randles, A. Taleb-Bendiab and D. Lamb, “Scalable self governance using service communities as ambients,” in Proceedings of the IEEE Workshop on Software and Services Maintenance and Management (SSMM 2009) within the 4th IEEE Congress on Services, pp. 813-820, 2009.
[13] I. DeFalco, R. DeBalio, E. Tarantino and R. Vaccaro, "Improving Search by Incorporating Evolution Principles in Parallel Tabu Search," IEEE Conference on Evolutionary Computation, vol. 2, pp. 823-828, 1994.
[14] M. Shoukat, M. Maheswaran, H. Siegel, D.  Hensgen and R. Freund, "Dynamic Mapping of a Class of Independent Tasks onto Heterogeneous Computing Systems," Journal of Parallel and Distributed Computing, pp. 107–131, 2010.
[15] A. Singh, M.  Korupolu and D. Mohapatra, “Server-storage virtualization: Integration and load balancing in data centers,” Proceedings of ACM/IEEE Conference on Supercomputing, pp. 1-12, 2008.
[16] A. S. Shoukat, Robust Resource Allocation in Dynamic Distributed Heterogeneous Computing Systems, Ph.D. Thesis in School of Electrical and Computer Engineering, Purdue University, 2012.
[17] B. Yagoubi and Y. Slimani, “Dynamic load balancing strategy for grid computing,” Transactions on Engineering, Computing and Technology, pp. 260–265, 2013.
[18] B. Yagoubi and Y. Slimani, “Task load balancing strategy for grid computing,” Journal of Computer Science, vol. 3, no. 3, pp.186–194, 2007.
[19] Y. Adil, A. Abdul-hanan and M. Suliman, “Scheduling Jobs on Grid Computing Using Firefly Algorithm,” Journal of Theoretical and Applied Information Technology, vol. 33, no. 2, pp. 155-164, 2011.
[20] J. J. Wang, Ch. F. Zhang, Y-Y. Jing and G-Zh. Zheng, “Using the fuzzy multi-criteria model to select the optimal cool storage system for air conditioning,” Energy and Buildings 40, pp. 2059–2066, 2008.
[21] Z. Zhi-hong, Y. Yi and S. Jing-nan, “Entropy method for determination of weight of evaluating in fuzzy synthetic evaluation for water quality assessment,” Journal of environ mental science, vol. 18, pp. 1020-1023, 2006.
[22] E. E, Karsaka, M. Dursun, “Taxonomy and review of non-deterministic analytical methods for supplier selection,” International Journal of Computer Integrated Manufacturing, pp. 263-286, 2015.
[23] T. D. Braun, et al., “Characterizing Resource Allocation Heuristics for Heterogeneous Computing Systems,” Proceeding of Advances in Computers in Parallel, Distributed, and Pervasive Computing, pp. 91-128, 2005.
[24] C. Dumitrescu and I. Foster, “Gangsim: A simulator for grid scheduling studies,” Proceedings of the IEEE International Symposium on Cluster Computing and the Grid, pp. 26-34, 2005.
[25] A. Sulistio and R. Buyya, “A grid simulation infrastructure supporting advance reservation,” Proceedings of the 16th International Conference on Parallel and Distributed Computing Systems, pp. 1-7, 2004.
[26] A. Nahir, A. Orda and D. Raz, “Distributed Oblivious Load Balancing Using Prioritized Job Replication,” Proceeding of Network and Service Management (CNSM), pp. 55-63, 2012.
[27] A. Revar, M. Andhariya, D. Sutariya and M. Bhavsar, "Load balancing in grid environment using machine learning-innovative approach,” International Journal of Computer Applications, vol. 8, no. 10, pp. 975–8887, 2010.
[28] L. D. Dhinesh Babu, P. Venkata Krishna, “Honey bee behavior inspired load balancing of tasks in cloud computing environ- ments,” Applied Soft Computing, vol. 13, no. 5, pp. 2292–2303, 2013.
[29] P. P. Bonissone and K. S. Decker, “Selecting uncertainly calculi and granularity: An experiment in trading off precision and complexity,” in kanal and lemmer, pp. 217-247, 1986.
[30] H. Guowei, W. Gongyi and Ch. Zhi, “A Fair Load Balancing Algorithm for Hypercube-Based DHT Networks,” APWeb/WAIM 2007, LNCS 4505, pp. 116–126, 2007.
[31] T. Wood, P. Shenoy, A. Venkataramani and M. Yousif, “Black-box and gray-box strategies for virtual machine migration,” Proceedings of symposium on networked systems design and implementation (NSDI), pp. 1-14, 2007.