31872

سازوكاري سلسله مراتبي و آگاه به منابع به‌منظور جاي‌گذاري ريزخدمات بر پيوستار محاسبات ابري مه

كارشناسي ارشد

مهندسي كامپيوتر - نرم‌افزار

1400

1403/7/14

محسن شريفي

/

دانشكده مهندسي كامپيوتر

در سال‌هاي اخير استفاده از گره‌هاي محاسبات مه در كنار محيط محاسبات ابري با فراهم كردن امكان انجام پردازش‌هاي حساس به زمان در نزديكي كاربر موجب كاهش زمان پاسخ حجم وسيعي از برنامه‌ها شده است. اين استفاده يكپارچه از گره‌هاي مه در كنار محيط محاسبات ابر با گذر زمان موجب پديد آمدن مفهومي نوين تحت عنوان پيوستار محاسبات توزيع شده گشته است. علي‌رغم اين‌كه استفاده از اين محيط نوين مي‌تواند زمان پاسخ برنامه‌ها را بهبود بخشد، استفاده موثر از آن چالش‌هايي نيز به همراه دارد. يكي از مهم‌ترين چالش‌ها جاي‌گذاري برنامه‌ها بر روي گره‌ها محاسباتي موجود در اين محيط است. از آن‌جايي كه جاي‌گذاري برنامه‌هاي توسعه داده شده با معماري ريز‌خدمات بر روي محيط‌هاي توزيعي بسيار ساده‌تر از جاي‌گذاري برنامه‌هاي تك‌پارچه است بسياري از پژوهشگران زمان خود را عطف توسعه سازوكار‌هايي جهت جاي‌گذاري ريزخدمات بر روي پيوستار محاسبات ابري مه كرده‌اند. كار‌هاي تحقيقاتي انجام شده در اين حوزه استفاده از بازه وسيعي از روش‌ها را براي دستيابي به يك جاي‌گذاري مناسب پوشش داده‌اند؛ براي مثال عده‌اي از پژوهشگران كاربرد روش‌هاي ابتكاري و فرا ابتكاري را براي اين منظور مورد بررسي قرار داده‌اند و عده‌اي ديگر از روش‌هاي يادگيري ماشين همچون يادگيري تقويتي براي دستيابي به يك جاي‌گذاري نزديك به بهينه استفاده كرده‌اند. ما در اين پايان‌نامه به ارائه سازوكاري سلسله مراتبي و آگاه به منابع براي اين منظور مي‌پردازيم. سازوكار ارائه شده در اين پايان‌نامه، با تركيب روش‌هاي تحليل گرافي و يادگيري تقويتي، مسئله اصلي را كه شامل تعداد زيادي دستگاه و ريزخدمات است به مسائل كوچك‌تر تقسيم مي‌كند و پس از تقسيم مسئله اصلي به زير‌مسئله‌هاي كوچك‌تر با استفاده از برنامه‌ريزي خطي عدد صحيح اين زير‌مسائل را حل مي‌نمايد. مقايسه‌اي كلي با ساير روش‌هاي نوين مرتبط در محيط شبيه‌سازي شده نشان مي‌دهد راهكار ارائه شده در اين پايان‌نامه مي‌تواند زمان پاسخ برنامه‌ها را در مسائل بزرگ و نسبت به بهترين روش موجود در ارزيابي‌ها تا 80 درصد كاهش دهد. به‌دليل نياز سازوكار پيشنهادي ما به زماني قابل توجه در مقايسه با ساير روش‌ها، اين سازوكار مي‌تواند روشي مناسب براي جاي‌گذاري حجم بالايي از ريزخدمات بر روي محيط‌هاي محاسبات وسيع و توزيع شده بر گستره جغرافيايي به‌صورت برون‌خط تلقي شود.

1403/10/17

A Hierarchical and Resource-Aware Mechanism for Placement of Microservices Over Cloud-Fog Computing Continuum

10/5/2025 12:00:00 AM

Throughout the past decade, the use of fog nodes alongside cloud computing has enabled many applications to reduce their response time by offloading time critical tasks onto fog nodes. The seamless use of cloud alongside fog nodes has given rise to a new computing paradigm, distributed computing continuum. Even though utilizing distributed computing continuums can partially reduce response time of applications it has brought along a myriad of new challenges. One such challenge is the placement of applications over computational nodes. Microservice oriented applications are particularly great for deployment over a distributed system which is why many researchers have tackled the problem of microservice placement over cloud-fog continuum with different approaches. Many researchers have explored the use of heuristic and meta heuristic based techniques in schedulers, others have tried to reach near optimal solutions using machine learning techniques such as reinforcement learning. In this dissertation we propose a hierarchical resource-aware mechanism where we first divide the problem at hand into smaller sub-problems using a combination of graph partitioning and reinforcement learning techniques and then solve these smaller sub-problems with the help of ILP solvers. Comparing the placements generated by our mechanism against similar state-of-the art mechanisms show that our mechanism can outperform many such mechanisms and achieve 80 percent lower response time compared to best performing mechanism in larger scale problems. Due to the fact that our mechanism requires a considerable amount of time in order to generate a performant placement map, this mechanism can be an attractive method for offline placement of microservices in large scale geo-distributed heterogeneous systems.

زمان‌بندي برون‌خط , جاي‌گذاري ريزخدمات , پيوستار محاسبات ابري مه , آگاه به منابع , يادگيري تقويتي

Offline Scheduling , Microservice Placement , Cloud-Fog Computing Continuum , Resource-Aware , Reinforcement Learning

Kaveh Teymoury

Mohsen Sharifi