مدلسازی تصادفی و تحلیل مرکز داده رایانش ابری

مراکز داده یا دیتاسنتز ابری (CDC) یکی از بخش های اصلی خدمات اینترنتی امروز به حساب می آیند. موسسات و کسب و کارهای سرتاسر جهان برای محاسبات روزمره و عملیات های IT شان بر مراکز داده تکیه می کنند. در حقیقت، هر بار که اطلاعاتی را بر روی اینترنت جستجو می کنیم یا از یک اپلیکیشن بر روی تلفن های هوشمندمان استفاده می کنیم، به مراکز داده دسترسی می یابیم. در CDC، اکثر منابع محاسباتی به صورت ماشین های مجازی (VM) نمایش داده شده است که در ماشین های فیزیکی (PM) نگاشته شده اند. یکی از متریک های کلیدی برای CDC، عملکرد می باشد. این مقاله، یک مدل تصادفی مبتنی بر نظریه صف بندی برای کمک به مطالعه و تحلیل عملکرد در CDC مطرح می نماید. پلتفرم های CDC با یک سیستم صف بندی باز مدلسازی شده اند که از آن می توان برای برآورد کیفیت مورد انتظار خدمات (QoS) استفاده نمود و آنچه ابر می تواند عرضه نماید را تضمین می کند. در اینجا، با ارائه مثال های عددی نشان می دهیم که مدل چگونه می تواند تعداد نمونه های VM موردنیاز برای تامین پارامترهای QoS را برآورد نماید. به ویژه زمان پاسخ، نرخ حذف بسته ها و بهره برداری از CPU را ترسیم نمده ودر عین حال نرخ ورود درخواست ورودی را برای تعداد متفاوتی از نمونه های VM تغییر می دهیم. سپس مدل تحلیلی را با استفاده از DES (شبیه ساز رویداد گسسته) ارزیابی متقابل می نماییم. نتایج تحلیل و شبیه سازی نشان می دهد که مدل پیشنهادی با تغییر نرخ درخواست ورود می تواند تعداد VM های مورد نیاز جهت نیل به اهداف QoS را برآورد نماید.

کلیدواژه ها:

مرکز داده ابری ، نظریه صف بندی ، تحلیل عملکرد