21809

21809

ارائه يك سازوكار بيش‌­فعالانه مقياس‌­پذيري خودكار در محيط‌­هاي ابري

كارشناسي ارشد

سيستم‌هاي نرم‌افزاري

1398

1398/11/20

دكتر مهرداد آشتياني

كامپيوتر

يك سيستم مقياس‌پذيري خودكار مي‌تواند خدمات و برنامه‌هاي ابري را از طريق تنظيمات مختلفي در سطح نرم‌افزار و نيز با تخصيص و آزادسازي منابع سخت‌افزاري براي وفق دادن سيستم با محيط عملياتي در حال تغيير، در زمان اجرا پيكربندي دوباره كند. چنين رفتاري، پايه‌اي براي دستيابي به كشش و وفق پذيري در پارادايم محاسبات ابري ارائه مي‌دهد. با در نظر گرفتن ماهيت پويا و نامعلوم زيرساخت ابري مشترك، سيستم مقياس‌پذيري خودكار به‌عنوان يكي از پيچيده‌ترين و هوشمندترين ساخته‌هاي انسان طراحي شده است كه هدف آن دستيابي به مقياس‌پذيري خودآگاه، خودسازگار و قابل‌اعتماد در زمان اجرا است. براي اينكه بتوانيم راه‌حلي كارآمد براي اين مسئله پيدا كنيم، نياز داريم بتوانيم مقدار بار كاري و متريك‌هاي سيستمي را براي زمان‌هاي آينده، با دقت پيش‌بيني كنيم. تاكنون راه‌حل‌هاي مختلفي براي حل اين مسئله به كار گرفته‌شده‌اند، براي مثال از يادگيري ماشين و روش‌هاي آماري سري زماني و روش‌هاي گروهي راه‌حل‌هاي زيادي مطرح شده است. در اين نوشته، راهكارهاي مختلف بكار گرفته‌شده براي حل مسئله مقياس‌پذيري خودكار در سيستم‌هاي رايانش ابري را بررسي مي‌كنيم و بر اساس درك نقاط ضعف و قوت كارهاي انجام‌شده، با تمركز بر سازوكاري بيش فعالانه، ايده‌هايي را براي حل اين چالش مطرح مي‌كنيم. در اين پژوهش، مسئله را به صورت يك مدل توالي مي بينيم و از شبكه هاي عصبي كانولوشن براي پيش بيني بار كاري سرويس هاي ابري استفاده خواهيم كرد. همچنين با استفاده از شبكه هاي عصبي، نگاشتي از بار كاري پيش بيني شده و مقدار زمان واقعي منابع مصرفي به مقدار منابع مصرفي در آينده به دست مي آوريم. در بخش آخر نيز يك روش تصميم گيري ارائه مي دهيم كه معيار هاي مختلف و گاهاً متضاد تصميم گيري را درنظر بگيرد و نوعي سازش بين آن ها ايجاد كند. در بخش ارزيابي مقدار خطاي پيش بيني، مقدار تخطي از توافق سطح خدمات و همچنين مقدار بي استفاده ماندن منابع را بررسي مي كنيم. ارزيابي هاي انجام شده نشان مي دهند روش هاي ارائه شده كارايي و دقت قابل قبولي دارند و روش پيشنهاد شده براي پيش بيني بار كاري نسبت به كارهاي پيشين انجام شده بهبود 4 درصدي داشته است.

1398/12/11

A Proactive Auto Scaling Mechanism in Cloud Computing Environments

2/8/2021 12:00:00 AM

Auto-scaling systems can reconfigure cloud-based services and applications through various configurations regarding the cloud software layer as well as hardware provisioning. This will enable such systems to adapt to the changing environment at runtime. Such systems establish the foundation for achieving elasticity in the modern cloud computing paradigm. Given the dynamic and uncertain nature of the shared cloud infrastructure, cloud auto-scaling systems have been engineered as one of the most complex, sophisticated and intelligent artifacts created by engineers aiming to achieve self-aware, self-adaptive and dependable runtime scaling. In order to find an efficient solution to this problem, we need to be able to accurately predict the amount of workload and system metrics for future periods. Various solutions have already been devised to solve this problem. For example, many solutions make use of machine learning, statistical methods for time series and ensemble methods. In this research project, we examine the various strategies used to solve the problem of auto-scaling in cloud computing systems. Based on the understanding of the strengths and weaknesses of the existing researches, focusing on proactive mechanisms, we propose an approach for tackling this challenge. In this study, we see the problem as a sequence model, and we use convolutional neural networks to predict the workload of cloud services. Also, using neural networks, we obtain a mapping of predicted workloads and the real-time amount of needed resources to the future amount of required resources. In the last section, we propose a decision-making mechanism that takes into account different and sometimes conflicting criteria for the decision-making process and makes a compromise between the criteria. In the evaluation section, we examined the amount of prediction error, the amount of service level agreement violations, as well as the amount of resources’ under-utilization. Evaluations show that the proposed method has acceptable performance and accuracy. In addition, the proposed method for predicting the workload has shown a 4 percent improvement over the previous works.