الگوریتم توازن بار مبتنی بر پیش بینی ELM در محاسبات ابری

از آنجا که تقاضای کاربران و رفتار سیستم از نظر تخصیص منابع، پویا و متغیر با زمان است، بار کاری به شکل متوازن روی منابع ابر توزیع نمی شود. طراحی مکانیزم های مناسب جهت تشخیص وضعیت و توزین مناسب بار روی هر میزبان می تواند نقش موثری در بهبود کارایی سیستم و مصرف انرژی در مراکز داده ابر داشته باشد. روش های توازن بار ارائه شده به صورت واکنشی از ورود سیستم به حالت عدم توازن جلوگیری نکرده و متناسب با شرایط ایجاد شده دست به مهاجرت ماشین مجازی(VM) می زنند. در این روش ها، با ورود سیستم به حالت عدم توازن، انرژی مصرفی و همچنین زمان پاسخ کارها افزایش می یابد. همچنین در روش های توازن بار پیش دستانه، عدم دقت کافی برای تشخیص وضعیت میزبان ها، استفاده از آستانه های ثابت و همچنین مهاجرت ماشین های مجازی به میزبان ها، بدون در نظر گرفتن وضعیت کنونی و آینده آنها، احتمال پربار شدن میزبان ها و افزایش انرژی مصرفی در مراکز داده را بالا می برد. از این رو، روش پیشنهادی این مقاله، بکارگیری یک رویکرد پیش د ستانه با هدف تشخیص زودهنگام وضعیت میزبان ها است که مقدار مصرف پردازنده هر میزبان در آینده، توسط روش ماشین یادگیری افراطی (ELM) پیش بینی می شود و با استفاده از سه آستانه تطبیقی وضعیت آتی میزبان ها مشخص می شود، سپس ماشین های مجازی از میزبان های پربار و درصورت نیاز میزبان های کم بار به آن دسته از میزبان هایی انتقال پیدا می کنند که احتمال پربار شدن آنها بعد از تخصیص کمینه باشد. پیاده سازی روش پیشنهادی و ارزیابی آن روی مجموعه داده واقعی با استفاده از شبیه ساز Cloudsim نشان داده است که روش پیشنهادی در مقایسه با روش پیش دستانه و واکنشی رقیب، در انرژی مصرفی، زمان پاسخ، تعداد مهاجرت های ماشین مجازی و عدم نقض توافقنامه سطح سرویس (SLA) بهبود ایجاد کرده است.

کلیدواژه ها:

توازن بار ، پیش بینی بار ، ماشین یادگیری افراطی ، مهاجرت ماشین های مجازی ، آستانه تطبیقی