ترجمه مقاله استراتژی برنامه‌ریزی در توزیع بار منابع ماشین مجازی در محیط محاسبات ابری

true

1966457 ترجمه مقاله استراتژی برنامه‌ریزی در توزیع بار منابع ماشین مجازی در محیط محاسبات ابری

ترجمه مقاله isi رشته کامپیوتر| استراتژی برنامه‌ریزی در توزیع بار منابع ماشین مجازی در محیط محاسبات ابری

عنوان مقاله: استراتژی برنامه‌ریزی در توزیع بار منابع ماشین مجازی در محیط محاسبات ابری

سال چاپ مقاله 2010

لینک مقاله

تعداد صفحات ترجمه شده 19

فرمت فایل ترجمه word

ترجمه بخشی از مقاله استراتژی برنامه‌ریزی در توزیع بار منابع ماشین مجازی در محیط محاسبات ابری

مقدمه

محاسبات ابری یک تکنولوژی جدید در حوزه ی آکادمیک (دانشگاهی) می باشد[1]. در بستر یا پلت فرم محاسبات ابری، منابع به عنوان خدمات و توسط نیازها ارائه می شوند، و آن ها به مشترکین تضمین می دهند که به توافق نامه ی سطح خدمات(SLA) عمل می کنند. با این حال، با توجه به وضعیتی که منابع به اشتراک گذاشته اند، و اینکه نیازهای مشترکین ناهمگونی پویای بزرگ و پلت فرم نامربوطی دارند، اگر که منابع نتوانند به درستی توزیع شوند آن قطعا منجر به هدر رفتن منابع می شود[2] . علاوه بر این، بستر محاسبات ابری به تعادل پویای بار میان سرورها به منظور اجتناب از تنگناها (hotspot) و بهبود سودمندی منابع نیز نیاز دارد. بنابراین، نحوه ی مدیریت پویا و کارآمد منابع و به پاسخگویی به نیازهای مشترکان به مسائلی تبدیل شد که باید حل شوند.

تکنولوژی مجازی سازی راه حلی موثر برای مدیریت منابع پویا در بستر محاسبات ابری فراهم می کند. از طریق آب بندی خدمات در ماشین مجازی و نگاشت آن به هر سرور فیزیکی، مسئله ی عدم تجانس و نامربوط بودن پلت فرم نیازهای مشترکین می تواند بهتر حل شود و در همان زمان SLA نیز تضمین می شود. علاوه بر این، فن آوری مجازی سازی قادر به اجرای نگاشت مجدد بین ماشین مجازی(VM) و منابع فیزیکی با توجه به تغییر بار برای رسیدن کل سیستم به تعادل بار پویا می باشد[3] . بنابراین، فن آوری مجازی سازی به صورت جامع در محاسبات ابری استفاده می شود. با این حال، با توجه به ناهمگونی پویای زیاد منابع در بستر محاسبات ابری، ماشین های مجازی به منظور دستیابی به بهترین کاراییشان با استفاده کامل از سرویس ها و منابع باید به محیط محاسبات ابری به صورت پویا سازگار شوند. اما به منظور بهبود بهره وری منابع، منابع باید به درستی اختصاص داده شده باشند و تعادل بار باید تضمین شود[4] . بنابراین، نحوه ی برنامه‌ریزی منابع VM برای تحقق بخشیدن به تعادل بار در محاسبات ابری و بهبود بهره وری منابع نقطه پژوهش مهمی می باشد.

در حال حاضر در محاسبات ابری، عمدتاً شرایط سیستم فعلی در برنامه‌ریزی منابعVM در نظر گرفته می شود اما شرایط قبلی قبل از برنامه‌ریزی به ندرت در نظر گرفته می شود و تأثیر روی بار سیستم پس از برنامه‌ریزی معمولا منجر به عدم تعادل بار می شود. بسیاری از تعادل بارها در مهاجرتVM وجود دارند[5] . با این حال، زمانی که کل منابع VM مهاجرت می کنند، با توجه به پراکندگی (دانه دانه شدن) زیاد منابع VM و حجم زیادداده های انتقال یافته در مهاجرت و تعلیق خدمات VM، هزینه ی مهاجرت تبدیل به یک مسئله می شود. این مقاله یک استراتژی برنامه‌ریزی برای تحقق بخشیدن به تعادل بار ارائه می نماید. با توجه به داده های تاریخی و وضعیت فعلی و از طریق الگوریتم ژنتیک، این روش در حالت پیشرفته میزان تأثیر در هنگامی که منابع خدمات VM فعلی که نیاز به استقرار دارند در هر گره فیزیکی مرتب می شوند را محاسبه می کند، سپس استقراری را که حداقل تاثیر بر روی سیستم را داشته باشد انتخاب می نماید. به این ترتیب، این روش بهترین تعادل بار را تحقق می بخشد و مهاجرت پویا را کاهش می دهد یا از آن اجتناب می کند.

INTRODUCTION

Cloud computing is a new technology in academic world
[1]. On cloud computing platform, resources are provided as
service and by needs, and it guarantees to the subscribers
that it sticks to the Service Level Agreement (SLA).
However, due to the situation that the resources are shared,
and the needs of the subscribers have big dynamic
heterogeneity and platform irrelevance, it will definitely
lead to resource waste if the resources cannot be distributed
properly[2]. Besides, the cloud computing platform also
needs to dynamically balance the load among the servers in
order to avoid hotspot and improve resource utility.
Therefore, how to dynamically and efficiently manage
resources and to meet the needs of subscribers become the
problems to be solved.
Virtualization technology provides an effective solution
to the management of dynamic resources on cloud
computing platform. Through sealing the service in virtual
machines and mapping it to every physical server, the
problem of the heterogeneity and platform irrelevance of
subscribers’ needs can be better solved and at the same time
the SLA is guaranteed. What is more, virtualization
technology is able to carry out remapping between virtual
machine (VM) and physical resources according to the load
change so as to achieve the load balance of the whole
system in a dynamic manner [3]. Therefore, virtualization
technology is being comprehensively used in cloud
computing. However, due to the highly dynamic
heterogeneity of resources on cloud computing platform,
virtual machines must adapt to the cloud computing
environment dynamically so as to achieve its best
performance by fully using its service and resources. But in
order to improve resource utility, resources must be
properly allocated and load balancing must be guaranteed
[4]. Therefore, how to schedule VM resources to realize
load balancing in cloud computing and to improve resource
utility becomes an important research point.
Currently in cloud computing, it mainly considers the
current system condition in VM resources scheduling but
seldom considers the pervious condition before scheduling
and the influence on system load after scheduling which
usually leads to load imbalance. Most of the load balancing
exists in VM migration [5]. Yet, when the entire VM
resources are migrated, due to the large granularity of VM
resources and the great amount of data transferred in
migration and the suspension of VM service, the migration
cost becomes a problem. This paper presents a scheduling
strategy to realize load balancing. According to historical
data and current state and through genetic algorithm, this
method computes in advance the influence it will have when
the current VM service resources that need deploying are
arranged to every physical node, then it chooses the
deployment that will have the least influence on the system.
In this way, the method realizes the best load balancing and
reduces or avoids dynamic migration.