یک رویکرد مبتنی بر خوشه بندی و پیش بینی افق برای اجتناب ازسربار در ادغام ماشین های مجازی

با افزایش تعداد ماشی نهای مجازی در یک میزبان و بارکاری پویای ماشین های مجازی در فرایند ادغام، بخاطر کمبود منابع، وقوعسربار در میزبان ها اجتناب ناپذیر است. ما برای تشخیص سربار، اطلاعات منابع مختلف مانند پردازنده، حافظه اصلی و پهنای باند را به پنجره های دوبخشی با طول مشخص تقسیم بندی و این پنجره ها را بر اساس میزان شباهت بخش اول آنها با روش K-Means خوشه بندی می کنیم. پنجره نهایی آخرین اطلاعات ثبت شده از درخواست منابع است که پیشبینی وقوع سربار بر اساس آن صورتمی گیرد. چارچوب پیشنهادی با قرار دادن پنجره نهایی در خوشه متناظر، از اطلاعات تمام پنجره های زمانی مشابه به هم برای پیشبینیافق استفاده می کند . الگوریتم پیشنهادی در این چارچوب با استفاده از پیشبینی دقیق، ضمن کاهش خطا در تشخیص وضعیت میزبانامکان عکس العمل به موقع برای سربارهای احتمالی آینده را فراهم می کند . نتایج شبیه سازی با بارکاری واقعی نشان داد روش پیشنهادی با پیش بینی به موقع سربار و عکس العمل به هنگام، میزان جریمه های ناشی نقض توافق کیفیت سرویس SLA تا ۳۹% درصد و تعداد مهاجر تها را تا ۳۲ % نسبت به روش های شاخص کاهش می دهد. بنابراین راهکار پیشنهادی می تواند کیفیت سرویسرا در مراکز داده ابری ارتقاء دهد .

کلیدواژه ها:

ادغام ماشین مجازی ، خوشه بندی ، ، K-means ، پیش بینی افق ، اجتناب از سربار