بهینه سازی پویای استقرار ماشین مجازی در محیط ابر با استفاده از رویکرد k-means-GA

مسئله ی مهاجرت زنده ماشین مجازی در سیستم های خودران، به تخصیص مجدد منابع در بین ماشینهای مجازی کهخدمات مختلف خودران را برای تعادل بار اجرا می کنند، می پردازد. فعال کردن یک ماشین مجازی در حال اجرا برای انتقالیکپارچه به یک ماشین فیزیکی دیگر به عنوان میزبان اهمیت زیادی دارد. با توجه به ماهیت برنامه های خودران، انتخابمجموعه ای بهینه از میزبان ها برای قرار دادن ماشین های مجازی در یک زمان معقول مهم است. مسئله استقرار ماشینمجازی را می توان به صورت یک مسئله ی بین-پکینگ مطرح نمود، که ثابت شده در کلاس پیچیدگی NP-hard قراردارد. برای حل مسئله، تحقیق حاضر یک الگوریتم ژنتیک مبتنی بر خوشه بندی را توسعه می دهد که جوابی تقریبی برایمسئله بین-پکینگ تولید می کند. الگوریتم پیشنهادی، جمعیت نسل فعلی در الگوریتم ژنتیک را خوشه بندی می کند وجواب ها را از گروه های مختلف با کاهش عملیات تقاطع انتخاب می کند. تعداد تقاطع ارتباط مستقیمی با کارایی الگوریتمدارد. از ویژگی های زمان اجرا برای ترجیح ماشین های مجازی بر روی منابع سخت افزاری استفاده می شود که برای تولیدجواب های اولیه و جلوگیری از اضافهبار استفاده می شود. ارزیابی ها بیانگر برتری رویکرد پیشنهادی در مقایسه با الگوریتمژنتیک سنتی از نظر دقت و کارایی است.

کلیدواژه ها:

رایانش ابری ، استقرار ماشین مجازی ، الگوریتم ژنتیک ، خوشه بندی k-means