بهره‌گیری از الگوریتم پرش ترکیبی قورباغه جهت کاهش مصرف انرژی مراکز داده ابری از طریق بهینه‌سازی مدیریت زمان‌بندی کارها و ترکیب مؤثر ماشین‌های مجازی

نویسندگان

1 دانشگاه شهید باهنر کرمان - بخش مهندسی کامپیوتر

2 کرمان - دانشگاه تحصیلات تکمیلی صنعتی و فناوری پیشرفته - دانشکده مهندسی برق و کامپیوتر

چکیده

امروزه رایانش ابری سبز به دلیل کاهش اثرات زیست‌محیطی مورد توجه قرار گرفته است. یکی از معیارهایی که در رایانش ابری سبز  بر آن تاکید شده است، مصرف انرژی مراکز داده است. یکی از راهکارهای کاهش مصرف انرژی، که در این مقاله مورد بررسی قرار گرفته است، مدیریت زمان‌بندی کارها و ترکیب مؤثر ماشین‌های مجازی است. در این مقاله الگوریتمی جهت مدیریت زمان‌بندی کارها و توازن بار ارائه می‌شود. این الگوریتم به نام پرش ترکیبی قورباغه با بهره‌مندی از حافظه، همکاری و اشتراک‌گذاری اطلاعات بین قورباغه‌ها، سرعت همگرایی مناسب و انعطاف‌پذیری بهتر در برابر مشکل بهینه محلی، بهبود قابل‌توجهی نسبت به روش‌های سیستم تجمع مورچگان (ACO) و الگوریتم ژنتیک (GA) جهت مصرف انرژی و مهاجرت  ماشین مجازی فراهم می‌آورد. در این مقاله، مدیریتپویای منابع بر اساس ترکیب مؤثر ماشین‌های مجازی انجام می‌شود و توسط الگوریتم پیشنهادی با توجه به قرارداد سطح سرویس پیاده‌سازی می‌شود. تفاوت این روش با روش‌های دیگر در این است که بهبود پارامترهای  زمان، سرعت و دقت همگرایی رانشان می‌دهد. نتایج تجربی نشان می‌دهد که، روش ارائه شده موجود، از نظر مصرف انرژی، تعداد مهاجرت‌های ماشین مجازی و  نقض قرارداد سطح سرویس عملکرد بهتری دارد.

کلیدواژه‌ها

عنوان مقاله [English]

Application of Shuffled Frog-Leaping Algorithm to Reduce Energy Consumption in Cloud Data Centers by Optimizing Scheduling Management and Virtual Machines Consolidation

نویسندگان [English]

  • V. Sattari Naeini 1
  • Y. Salem 2
  • E. Rashedi 2
1 Faculty of Computer Engineering, Shahid Bahonar University of Kerman, Kerman, Iran
2 Faculty of Electrical and Computer Engineering, Graduate University of Advanced Technology, Kerman, Iran
چکیده [English]

Today, green cloud computing has been concerned due to the reduction of environmental impacts. One of the criteria that has been emphasized in green cloud computing is energy consumption of data centers. One way to reduce energy consumption, which we is emphasized in this paper, is tasks scheduling management and consolidation of virtual machines. In this paper, an algorithm is presented to manage both tasks scheduling and load balancing. This algorithm, called the Shuffled Frog-Leaping provides a significant improvement against other existing models in terms of energy consumption and migration of virtual machines using memory, collaboration and sharing information among frogs, high convergence speed and better flexibility against local optimum problem. In this paper, the dynamic resource management is based on the consolidation of virtual machines and is implemented according to service level agreement by the proposed method. The difference between this method and other existing methods is that it shows improvement of time, speed and accuracy of convergence parameters. Experimental results show that the proposed method outperforms existing ones in terms of energy consumption, number of virtual machine migrations and service level agreement violation.

کلیدواژه‌ها [English]

  • Green cloud computing
  • energy consumption
  • scheduling Management
  • consolidation of virtual machines
  • service level agreement violation
  • number of virtual machine migrations

مراجع

[1] J. G. Koomey, “Estimating total power consumption by servers in the US and the world,” Stanford University, pp. 1-20, 2007.
[2] A. Fayyaz, M. U.  Khan and  S. U. Khan, “Energy efficient resource scheduling through VM consolidation in cloud computing,’’ In 2015 13th International Conference on Frontiers of Information Technology (FIT) , IEEE, pp. 65-70, 2015..
[3] T. C. Ferreto, M. A. Netto, R. N. Calheiros and C. A. De Rose, “Server consolidation with  migration  control for virtualized data centers” Future Generation Computer Systems, vol. 27, no. 8, pp. 1027-1034,2011.
[4] Y. C. Lee and A. Y. Zomaya, “Energy efficient utilization of resources in cloud computing systems,” The Journal of Supercomputing, vol. 60, no. 2, pp 268-280, 2012.
[5] A. Beloglazov and R. Buyya, “Optimal online deterministic algorithms and adaptive heuristics for energy     and performance efficient dynamic consolidation of virtual machines in cloud data centers,” Concurrency and   Computation: Practice and Experience, vol. 24, no. 13, pp.  1397-1420, 2012.
[6] A. Song,W. Fan, W. Wang,  J. Luo and Y. Mo, “Multi-objective virtual machine selection for migrating in virtualized data centers,” In Joint International Conference on Pervasive Computing and the Networked World, Springer Berlin Heidelberg, vol. 7719,  pp. 426-438, 2012.
[7] I. Rodero, H. Viswanathan, E. K. Lee, M. Gamell, D. Pompili and  M. Parashar, “Energy-efficient    thermal-aware autonomic management of virtualized HPC cloud infrastructure,”  Journal of Grid Computing, vol. 10, no. 3, pp. 447-473, 2012.
[8] S. S. Masoumzadeh and H. Hlavacs, “Integrating VM selection criteria in distributed dynamicVM consolidation using Fuzzy Q-Learning,” In Proceedings of the 9th International Conference on Network and Service Management (CNSM), IEEE, pp. 332-338, 2013.
[9] Y. Ge and G. Wei, “GA-based task scheduler for the cloud computing systems,” In Web Information Systems and Mining (WISM), 2010 International Conference, IEEE, vol. 2 , pp. 181-186, 2010.
[10] F. Farahnakian, A. Ashraf, T. Pahikkala, P. Liljeberg, J. Plosila, I. Porres and H. Tenhunen, “ Using ant colony system to consolidate vms for green cloud computing,” IEEE Transactions on Services Computing, vol. 8, no. 2, pp. 187-98, 2015.
[11] سیمین قاسمی فلاورجانی، محمدعلی نعمت بخش، بهروز شاهقلی قهفرخی،«تخصیص وضایف چند هدف در واگذاری به ابر سیار»، مجله مهندسی برق دانشگاه تبریز، دوره 46، شماره 4، صفحات 217-232، 1395.
[12] B. Speitkamp and M. Bichler, “A mathematical programming approach for server consolidation problems     in virtualized data centers,” IEEE Transactions On Services Computing, vol. 3, no. 4, pp. 266-278,2010.
[13] F. Tao, Y. Feng, L. Zhang and T. W. Liao, “CLPS-GA: A case library and Pareto solution-based hybrid      genetic algorithm for energy-aware cloud service scheduling,” Applied Soft Computing, vol. 19, pp. 264-279, 2014.
[14] M. M. Eusuff and K. E. Lansey, “Optimization of water distribution network design using the shuffled frog leaping algorithm, Journal of Water Resources Planning and Management , vol. 129, no. 3, pp. 210–225, 2003.
[15] H. Liu, F. Yi, H. Yang, “Adaptive grouping cloud model shuffled frog leaping algorithm for solving continuous optimization problems, Computational intelligence and neuroscience, vol.  25, pp. 1-8, 2016.
[16] J. P. Luo, X. Li and M. R. Chen, “Hybrid shuffled frog leaping algorithm for energy-efficient dynamic consolidation of virtual machines in cloud data centers,” Expert Systems with Applications, Elsevier, vol. 41, no. 13, pp. 5804-5816, 2014.
[17] M. Eusuff, K. Lansey and F. Pasha, “Shuffled frog-leaping algorithm: a memetic meta-heuristic for discrete optimization,” Engineering Optimization, vol. 38. No. 2, pp. 129-154, 2006   .
[18] D. Kusic, J. Q. Kephart, J. E. Hanson, N. Kandasamy and  G. Jiang, “Power and performance management of virtualized computing environments via lookahead control,” Cluster computing,springer, vol. 12, no. 1,  pp. 1-15, 2009.
[19] R. N. Calheiros, R. Ranjan, A. Beloglazov, C. A. De Rose and  R. Buyya, “CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms, Software: Practice and Experience,vol. 41, no. 1, pp. 23-50,  2011.
[20] T.D.Braun, , H.J.Siegel, N.Beck, L.L.Bölöni, M.Maheswaran,  , A.I.Reuther, J.P.Robertson, M.D.Theys, B.Yao, , D.Hensgen and R.F.Freund, A comparison of eleven static heuristics for mapping a class of independent tasks onto heterogeneous distributed computing systems, Journal of Parallel and Distributed computing,vol. 61, no. 6, pp.810-837.

فایل ها

هم رسانی

ارجاع به این مقاله

آمار