23799

ارائه يك رهيافت خودتطبيق‌پذير به منظور مديريت منابع در محيط‌هاي‌ رايانش ابري

كارشناسي ارشد

مهندسي كامپيوتر-نرم افزار-گرايش سيستم

1399/10/21

دكتر مهرداد آشتياني

مهندسي كامپيوتر

محيط رايانش ابري يك منبع محاسباتي است كه كاربران آن نسبت به گذشته به علت راحتي و سرويس‌دهي سريع، فزوني يافته است. اين افزايش تقاضا، خدمت‌دهنده ابري را با چالش زمان‌بندي مناسب حفظ تعادل و كاهش زمان پاسخگويي و ارائه شانس انتخاب تقريبي برابر هر يك از كارها بر روي منابع مركز داده روبه‌رو ساخته است. زمان‌بندي كارها، يك واحد اصلي در مركز داده محيط رايانش ابري است. در اين محيط، الگوريتم‌هاي زمان‌بندي ابتكاري و فراابتكاري توانمندي تطبيق‌پذيري خودكار نسبت به تغيير محيطي اثرگذار بر اهداف بهينگي و تنوع تقاضاهاي يك باركاري از پيش تعيين‌نشده را ندارند. از طرف ديگر، فرآيند تخصيص چندگانه منابع به كارهاي دسته‌اي در واحد زمان و مكان مديريت خودكار منابع مركزداده و پاسخگويي به آن‌ها را پيچيدگي روبه‌رو ساخته است. در جهت توجه و مواجهه با چالش‌هاي مطرح‌شده از رهيافت يادگيري تقويتي براي مديريت منابع خودكار مركزداده به عنوان يك روش‌ تصميم‌گيري ترتيبي با امكان تغيير رفتار در مقابل تغيير محيطي استفاده شده است. الگوريتم يادگيري تقويتي عملگر-منتقد نرم در رهيافت اين پژوهش براي زمان‌بندي خودكار كارها و پاسخگويي به تقاضاي آن‌ها استفاده شده است. اين الگوريتم يادگيري تقويتي عميق بدون مدل برخلاف الگوريتم‌هاي خودكار مشابه، در زمان يادگيري توانمندي نمونه‌برداري كارآمد و همگرايي پايدار به هدف بهينه را دارد. چنين ويژگي مشكل تنظيم دقيق چندباره پارامترهاي يادگيري را از ميان برداشته شده است. رهيافت پيشنهادي، با روش‌هاي مشابه مديريت خودكار منابع مبتني بر يادگيري تقويتي و الگوريتم مولفه زمان‌بند با الگوريتم‌هاي سنتي زمان‌بندي با دادگان شبيه‌سازي و واقعي از شركت گوگل مورد ارزيابي قرار گرفت. نتايج مقايسه رهيافت با كارهاي پژوهشي DeepRM و DeepScheduler از منظر معيار كندي ميانگين پاسخ، نقطه تعادلي ميانگين پاسخگويي به كارها در الگوي‌هاي دومدله متمركز از چپ به ترتيب حداقل 3 و 5، دومدله متمركز از راست 4 و 3، نرمال 3 و 7، دومدله متوازن 4 و 2 و دادگان شركت گوگل 3 و 3 برابر بهبود نشان داده است. همچنين مقايسه الگوريتم مولفه زمان‌بند رهيافت پيشنهادي با الگوريتم‌هاي سنتي زمان‌بندي نخست كوتاه‌ترين كار، تتريس، پكر و تصادفي در دادگان شبيه‌سازي و دادگان شركت گوگل، نشان از زمان‌بندي مناسب‌تر كارها با الگوريتم خودكار پيشنهادي به نسبت الگوريتم ابتكاري پكر، تتريس و الگوريتم سنتي تصادفي است اما اين الگوريتم نسبت به زمان‌بندي نخست كوتاه‌ترين پاسخ نتوانست از منظر معيار كندي بيشينه و ميانگين پاسخ عملكرد بهتري ارائه كند.

1399/12/17

A self-adaptive approach for resource management in cloud computing environments

1/11/2022 12:00:00 AM

The Cloud computing environment is a computing resource. Due to its convenience and quick services, cloud users have increased. So, increase demands for cloud services confront cloud server challenges like balance and reduce slowdown of jobs and gives an equal chance of selecting them on the data center. Job scheduling is crucial for data centers since it involves multi-dimensional resource allocation over time and space in data centers. Heuristic or meta heuristic algorithms can not automatically adapt their schedules to the environmental changes and variety of demands for a general workload. To confront the mentioned challenges, we applied reinforcement learning as a sequential decision-making method for automatic resource management that changes its behavior to deal with environmental changes. The proposed approach uses the soft actor-critic algorithm to respond to demand and schedule jobs automatically. Unlike similar algorithms, the model-free deep reinforcement learning algorithm has efficient sampling and stable convergence, and precise adjustment of learning hyper parameters. The proposed approach compared to similar reinforcement learning-based automatic resource management researches and its scheduling algorithm to classic ones by simulation and real data from Google company. Results show that the proposed approach compares to DeepRM and DeepScheduler improves slowdown and the balance of slowdown at least, 3 and 5 times in the left-bi-model, 4 and 3 times in the right-bi-model, 3 and 7 times in the normal-model, 4 and 2 times balanced- bi-model and 3 and 3 times by Google's data. Besides, comparing the scheduler with the traditional scheduling algorithms like shortest job first, Tetris, Packer, and random in the simulation data and data of Google. Results show proposed scheduler has better performance(slowdown and the balance of slowdown) than meta-heuristic Packer and Tetris and relatively Random, but it does not have superior performance than the shortest job first.

واژه‌هاي كليدي: محيط رايانش ابري , مركز داده , يادگيري تقويتي , خودكارسازي , سياست زمان‌بندي و تخصيص كار , عملگر-منتقد نرم

Cloud computing , Datacenter , Reinforcement learning , Autonomic , Job scheduling and allocation policy , Soft actor-critic