7545

ارائه يك روش مقياس‌پذيري خودكار به منظور استفاده بهينه از منابع در محيط‌هاي رايانش ابري

كارشناسي

مهندسي كامپيوتر

1400

مهرداد آشتياني

1400/08/23

كامپيوتر

Proposing a Resource Utilization Aware Auto-Scaling Approach for Cloud Computing Environments

رايانش ابري يك فناوري جديد است كه روز به روز بر محبوبيت آن افزوده مي‌شود. محاسبات ابري بسياري از ارائه دهندگان برنامه ها را به سمت استقرار برنامه‌ هاي تحت وب بر روي محيط‌هاي ابري جذب مي‌كند. در مقايسه با روش‌هاي سنتي، رايانش ابري به كاهش هزينه‌ها كمك مي‌كند و مانع از درگيري كاربران خود با پيچيدگي‌هاي تامين منابع سخت‌افزاري و نگهداري آن‌ها مي‌شود. كاربران محيط‌هاي ابري مي‌توانند در يك بازه زماني مشخص، تعدادي ماشين مجازي را راه‌ اندازي كنند و فقط به اندازه‌اي كه از منابع استفاده مي‌كنند هزينه پرداخت كنند، كه اين امر موجب كاهش هزينه‌هاي تهيه سخت افزارهاي حقيقي و پيچيده مي‌شود. از آن‌جايي كه ميزان درخواست‌ها از برنامه‌هاي وب در زمان‌هاي مختلف متفاوت است، پيش‌بيني آن و تعيين مقدار مناسب منابع ابري مورد نياز اغلب دشوار است و يكي از چالش‌هاي مهم در رايانش ابري مي‌باشد. گرچه راه‌حل‌هاي مختلفي براي مديريت تامين منابع ارائه شده‌است، اما براي مديريت مؤثرتر سيستم‌هاي ذخيره‌سازي مبتني بر ابر نياز به روش‌هاي جديدتري مي‌باشد. بر اين اساس، اين كار پژوهشي حلقه‌ي را براي بهبود عملكرد تامين منابع در سيستم هاي ذخيره سازي مبتني بر ابر ارائه مي‌كند. در راه حل پيشنهادي، مديريت منابع با استفاده از حلقه OODA و نظريه منطق فازي انجام مي‌شود. نتايج مقايسه رهيافت پيشنهادي با روش‌هاي ديگر نشان دهنده عملكرد مثبت اين روش در كاهش زمان پاسخگويي به درخواست كاربران و مقدار CPU مصرفي در مركز داده مي‌باشد. روش پيشنهادي در مقايسه با روش‌هاي فازي ديگر، در مولفه تاخبر در پاسخگويي حدودا 70٪ بهبود عملكرد داشته است و در مولفه ميزان CPU مصرف شده، بهبود عملكردي حدود 20 تا 30 درصد مي‌باشد.

رايانش ابري , مركز داده , مقياس‌گذاري خودكار , سيستم استنباط فازي , مدل حلقهOODA , ماشين‌مجازي