26155

ارائه يك رويكرد وابستگي-آگاه براي زمان‌بندي توابع در محيط‌هاي بدون سرويس‌دهنده

كارشناسي ارشد

مهندسي كامپيوتر گرايش نرم افزار

98

1400/10/20

دكتر مهرداد آشتياني

دكتر مهرداد آشتياني

مهندسي كامپيتر

با توجه به پيشرفت فناوري و نياز روزافزون كاربران، توسعه‌دهندگان بايد برنامه‌هاي كاربردي خود را به سرعت توسعه دهند. محاسبات ابري با توجه به مزايايي كه دارد توجه توسعه‌دهندگان را براي پياده‌سازي برنامه‌هاي كاربردي به خود جلب كرده است. ابر، مدل‌هاي سرويس‌دهي مختلفي مانند زيرساخت به عنوان سرويس، بستر به عنوان سرويس، نرم‌افزار به عنوان سرويس، كانتينر به عنوان سرويس و تابع به عنوان سرويس را دارد. در اين پژوهش تمركز اصلي بر روي مدل سرويس‌دهي تابع به عنوان سرويس است. اين مدل كاربران را قادر مي‌سازد تا توابع ابري را بر روي بستري از منابع اجرا كنند بدون اينكه نگراني در باره مديريت زيرساخت آن داشته باشند. اينكار هزينه كمتري براي آن‌ها خواهد داشت. يكي از مهم‌ترين چالش‌هاي اين حوزه، مسئله زمان‌بندي توابع به منابع است. ارائه‌دهندگان سرويس، از الگوريتم‌هاي زمان‌بندي براي نگاشت درخواست‌هاي ورودي خود كه از نوع توابع ابري هستند، به منابع محاسباتي استفاده مي‌كنند. اين نگاشت بايد از جنبه‌هاي مختلفي كه بر عملكرد سيستم تاثير دارند، بهينه باشد. زمان‌بند، وظيفه اجراي درخواست‌ها و مديريت منابع را بر عهده دارد. الگوريتم‌هاي زمان‌بندي موجود صرفاً تعادل‌كننده‌هاي بار بر روي منابع هستند و از الگوريتم‌هاي پيش‌فرض ساده‌‌ايي استفاده مي‌كنند. هدف اصلي اين پژوهش، كم‌كردن زمان اتمام تابع و بهينه‌سازي استفاده از منابع در دسترس براي زمان‌بند است. دستاورد اين پژوهش، الگوريتم زمان‌بندي دو بخشي در محيط تابع به عنوان سرويس است كه در انتخاب توابع از صف و نگاشت آن به منابع، هوشمند عمل خواهد كرد. بخش اول، هسته‌ي اصلي زمان‌بند است كه با آگاهي از وابستگي توابع به بسته‌ها سعي بر اين دارد كه توابع را به منابعي اختصاص دهد كه از قبل بسته‌ها بر روي آن موجود باشند. بنابراين، زمان سربار بسته‌ها حذف مي‌شود و زمان اجراي توابع كم خواهد شد. بخش دوم، قسمت نظارت زمان‌بند است كه مديريت منابع در دسترس را بر عهده دارد و با كم و زياد كردن منابع كارگرهاي موجود، از اشباع شدن آن‌ها جلوگيري مي‌كند و با حذف كارگرهاي غيرفعال، منابع را براي كارگرهاي جديد آزاد مي‌كند. با پياده‌سازي و ارزيابي اين روش و مقايسه آن با يك الگوريتم زمان‌بندي منبع‌باز و يك زمان‌بند آگاه به وابستگي، پي برديم كه اين روش در زمينه زمان‌ اتمام تابع 52% و در زمينه بهينه‌سازي منابع 70% بهبود را به دنبال داشته است.

1400/12/09

A dependency-aware approach for function scheduling in serverless computing environments

1/10/2023 12:00:00 AM

With the advancement of technology and the growing need of users, developers need to develop their applications quickly. Due to its advantages, cloud computing has attracted the attention of developers to implement applications. The cloud has different service models such as infrastructure as service, platform as service, software as service, container as service, and function as service. In this research, the main focus is on the service model of the function as a service. This model enables users to execute cloud functions on a resource platform without having to worry about managing its infrastructure. This will cost them less. One of the most important challenges in this area is the scheduling of functions to resources. Service providers use scheduling algorithms to map their incoming requests, which are cloud functions, to computing resources. This mapping must be optimized from various aspects that affect system performance. Scheduler is responsible for executing requests and managing resources. Existing scheduling algorithms are merely balancing loads on resources and use simple default algorithms. The main purpose of this study is to reduce the end time of the function and optimize the use of available resources for scheduling. The result of this research is a two-part scheduling algorithm in the function environment as a service that will be smart in selecting functions from the queue and mapping them to resources. The first part is the core of the scheduler, which, knowing the dependence of the functions on the packets, tries to assign the functions to the resources on which the packets already exist. Therefore, packet overhead time will be eliminated and function execution time will be reduced. The second part is the scheduling monitoring section, which manages the available resources and, by increasing or decreasing the resources of existing workers, prevents their saturation, and by eliminating inactive workers, frees up resources for new workers. By implementing and evaluating this method and comparing it with open source scheduling algorithms and a dependency-aware scheduling, we found that this method resulted in a 52% improvement in function completion time and a 70% improvement in resource optimization.

=محاسبات ابري , زمان بندي , تابع به عنوان سرويس , يادگيري ماشين , تصميم گيري

Cloud Computing , Scheduling , Function as Service , Machine Learning , Decision Making

Faeze Azimi Chetabi

Dr. Mehrdad Ashtiani