28710

بهينه سازي مديريت تخصيص پويا و سريع ماشين مجازي در ابر محاسباتي توسط الگوريتم كلوني مورچه

كارشناسي ارشد

مهندسي برق- سيستم‌هاي الكترونيك ديجيتال

1398

1401/8/24

هادي شهريار شاه حسيني

برق

با توجه به افزايش لحظه اي شمار كاربران و حجم بسيار بالاي داده ي بارگذاري شده در فضاي ابري به علت وجود فوايد گسترده براي كاربران شامل كاهش هزينه، كاهش مصرف انرژي، مديريت زمان و همچنين حجم بسيار بالاي گردش مالي اين صنعت كه پيش بيني ميشود تا سال 2030 به بالاي 518 ميليارد دلار برسد، سبب گرديده است سرعت دسترسي كاربران به‌ صورت چشمگيري كاهش يابد. اما بزرگترين مانع جهت دسترسي سريع كاربران به فضاي ابري، خرابي ماشين هاي مجازي و نحوه ي برخورد با اين اتفاق ميباشد. لذا در اين مطالعه به بررسي روش رفع اين مانع به نحوي كه ماشين مجازي خراب در سريعترين زمان ممكن ازچرخه خارج و ماشين ديگري جايگزين گردد، پرداخته خواهد شد. روش مطرح شده در اين مطالعه بر مبناي اختصاص K ماشين پشتيبان از m ماشين مجازي اصلي ميباشد. به نحوي كه طبق ساختار درختي و به منظور جايگزيني سريع و كم هزينه، بايد ماشين هاي پشتيبان كم ترين فاصله را با ماشين هاي اصلي داشته باشند. درهمين راستا تمامي ماشين هاي مجازي در يك زيرمجموعه شامل m+k سرور ميزبان جايگذاري ميگردد. همچنين در اين روش با استفاده از تحمل پذيري خطاي k ضمن تعويض به‌موقع ماشين هاي مجازي در هنگام بروز خطا، امكان پيش بيني وقوع خطا قبل از اتفاق نيز فراهم ميگردد. و به منظور بدست آوردن مقاير بهينه براي پارامترهاي موثر بر سرعت همچون فاصله ي ماشين هاي پشتيبان و اصلي از يكديگر و يا تعداد سرورهاي ميزبان، از بهينه ساز الگوريتم كلوني مورچه استفاده ميگردد. در نهايت با انجام آزمايش هاي گوناگون و شبيهسازي الگوريتم پيشنهادي توسط الگوريتم بهينه ساز كلوني مورچه در متلب، امكان مقايسه اين روش با ديگر روش هاي معتبر همچون DCM و FDs فراهم گرديده است، نتايج نشان ميدهد روش پيشنهادي به ترتيب بهبود 13.1 و 26.4 درصدي را در ميزان مصرف انرژي و بهبود 42 و 46 درصدي را در ميانگين زمان اجراي كار نسبت به دو روش ديگر ثبت نموده است. همچنين به‌منظور مقايسه بهينه ساز و اثبات ادعاي مطرح شده مبني بر ارجحيت ACO نسبت به دو بهينه ساز PSO و GA، اين دو آزمايش بار ديگر با مقادير ورودي يكسان انجام گرديد كه نتايج نشان ميدهد الگوريتم بهينه شده توسط بهينه ساز كلوني مورچه داراي بهبود 6 درصدي نسبت به الگوريتم بهينه سازي ذرات و بهبود 18 درصدي نسبت به الگوريتم ژنتيك در مصرف انرژي مي باشد.

1402/06/28

Optimization of dynamic and fast allocation management of virtual machine in cloud computing by ant colony algorithm

11/15/2023 12:00:00 AM

Due to the instantaneous increase in the number of users and the very high volume of data uploaded in the cloud due to the existence of extensive benefits for users, including cost reduction, energy consumption reduction, time management, and also the very high volume of financial turnover of this industry, which is expected to to reach more than 518 billion dollars in 2030, has caused the speed of user access to decrease significantly. But the biggest obstacle for users to quickly access the cloud space is the failure of virtual machines and how to deal with this. Therefore, in this study, the method of removing this obstacle will be investigated in such a way that the damaged virtual machine is taken out of the cycle as soon as possible and replaced by another machine. The proposed method in this study is based on assigning K backup machines from m main virtual machines. In such a way, according to the tree structure and in order to replace quickly and cheaply, the backup machines should have the smallest distance with the main machines. In this regard, all virtual machines are placed in a subset including m+k of the host server. Also, in this method, by using k error tolerance, while timely replacement of virtual machines when an error occurs, it is possible to predict the occurrence of an error before it happens. And in order to obtain optimal parameters for parameters affecting the speed, such as the distance between the backup and main machines or the number of host servers, the Ant Colony Algorithm Optimizer 1 is used. Finally, by performing various experiments and simulating the proposed algorithm by the ant colony optimizer algorithm in MATLAB, it is possible to compare this method with other valid methods such as DCM and FDs, the results show that the proposed method improves by 13.1 and 26.4 percent, respectively. It has recorded 42 and 46 percent improvement in the amount of energy consumption and average execution time compared to the other two methods. Also, in order to compare the optimizer and prove the claim that ACO is preferable to the two optimizers PSO and GA, these two experiments were performed again with the same input values, and the results show that the algorithm optimized by the ant colony optimizer has improved 6% compared to particle optimization algorithm and 18% improvement compared to genetic algorithm in energy consumption.

الگوريتم كلوني مورچه , بهينه ساز , محاسبات ابري , ماشين هاي مجازي

ant colony algorithm , optimizer , Cloud computing , Virtual machines

Mohsen Navid

Dr. Shah Hosseini