33405

ارائه‌ي يك سازوكار زمان‌بندي آگاه به كارايي و تطبيق‌پذير جهت جاي‌گذاري ريزخدمات در پيوستار محاسبات ابري و مه

كارشناسي ارشد

مهندسي كامپيوتر - نرم‌افزار

1400

1403/11/20

محسن شريفي

-

مهندسي كامپيوتر

با پيشرفت فناوري و ظهور محيط‌هاي محاسباتي متنوعي همچون مه، لبه و ابر، نياز به سازوكارهاي كارآمد براي زمان‌بندي و جاي‌گذاري ريزخدمات و به‌صورت كلي وظايف به‌طور قابل‌توجهي افزايش يافته است. اين پايان‌نامه با هدف ارائه‌ي طراحي و توسعه يك سازوكار جديد براي جاي‌گذاري ريزخدمات در محيط‌هاي توزيع‌شده و ناهمگون نگارش شده است. اين سازوكار، با تركيبي از تكنيك‌هاي مدرن يادگيري تقويتي و تحليل گراف، به‌منظور كاهش زمان پاسخ‌دهي، بهينه‌سازي مصرف منابع، و افزايش انعطاف‌پذيري طراحي شده است. در مرحله اول، گراف وابستگي ريزخدمات با استفاده از اطلاعات اوليه برنامه و محيط محاسباتي ساخته شده و سپس با بهره‌گيري از الگوريتم لووين به بخش‌هاي منطقي تقسيم مي‌شود. اين گراف نشان‌دهنده ارتباطات ميان ريزخدمات و ميزان وابستگي آن‌ها است. مرحله دوم، شامل زمان‌بندي اوليه و جاي‌گذاري اوليه ريزخدمات است كه با در نظر گرفتن محدوديت‌هاي منابع و تاخير شبكه انجام مي‌شود. در مرحله سوم، از يك محيط يادگيري تقويتي چندعاملي براي بهينه‌سازي جاي‌گذاري اوليه استفاده مي‌شود. عامل‌هاي يادگيري تقويتي در اين مرحله، با تعامل مستقيم با محيط و دريافت پاداش بر اساس عملكرد، تصميم‌هاي بهينه‌اي براي مهاجرت ريزخدمات اتخاذ مي‌كنند. مهاجرت ريزخدمات به دلايلي همچون بهبود زمان پاسخ‌دهي، بهره‌وري بهتر از منابع محاسباتي، كاهش هزينه‌هاي ارتباطي، و هماهنگي بيشتر با تغييرات محيطي انجام مي‌شود. اين سازوكار با برخورداري از قابليت تطبيق‌پذيري بالا، قادر است در صورت تغيير در نيازمندي‌هاي كاربران، الگوي درخواست‌ها، يا وضعيت منابع، تصميمات خود را به‌صورت پويا به‌روزرساني كرده و كارايي سامانه را حفظ كند. نتايج حاصل از شبيه‌سازي سازوكار پيشنهادي نشان مي‌دهد كه اين سازوكار در مقايسه با كارهاي مرتبط زمان پاسخ‌دهي ريزخدمات را بهبود بخشيده، آگاه ‌به منابع است و با تغييرات محيطي به‌طور مؤثري تطبيق مي‌يابد.

1404/02/29

A Performance-Aware and Adaptive Scheduling Mechanism for Microservices Placement in the Cloud-Fog Computing Continuum

2/8/2026 12:00:00 AM

With the advancement of technology and the emergence of diverse computing environments such as fog, edge, and cloud, the need for efficient mechanisms for scheduling and placing microservices, as well as tasks in general, has significantly increased. This thesis aims to design and develop a novel mechanism for placing microservices in distributed and heterogeneous environments. The proposed mechanism, leveraging a combination of modern reinforcement learning techniques and graph analysis, is designed to reduce response time, optimize resource utilization, and enhance flexibility. In the first phase, the dependency graph of microservices is constructed using the initial program information and the computing environment. This graph is then partitioned into logical segments using the Louvain algorithm, where the graph represents the interactions among microservices and the degree of their dependencies. The second phase involves initial scheduling and placement of microservices, considering resource constraints and network latency. In the third phase, a multi-agent reinforcement learning environment is utilized to optimize the initial placement. The reinforcement learning agents, by directly interacting with the environment and receiving rewards based on their performance, make optimal decisions for migrating microservices. Microservice migration is conducted for reasons such as improving response time, better utilization of computing resources, reducing communication costs, and achieving greater alignment with environmental changes. With its high adaptability, the proposed mechanism dynamically updates its decisions in response to changes in user requirements, request patterns, or resource conditions, thereby maintaining system efficiency. The simulation results of the proposed mechanism demonstrate its effectiveness in improving microservice response times, optimizing resource usage, and adapting effectively to environmental changes. By offering a modular and extensible approach, this mechanism provides the potential for application across a wide range of programs and computing environments.

زمان‌بندي برخط , جاي‌گذاري ريزخدمات , آگاه به منابع , پيوستار محاسبات , يادگيري تقويتي چندعاملي

Online Scheduling , Microservices Placement , Resource-Aware , Computing Continuum , Multi-Agent Reinforcement Learning

Mehdi Roudaki

Mohsen Sharifi