بهبود بهره وری تعادل بار در محاسبات ابری با کمک الگوریتم های بهینه ساز ترکیبی EO وMO

رایانش ابری طیف گسترده ای از خدمات، از جمله ذخیره سازی، سرورها، پایگاه های داده، نرم افزار، تجزیه و تحلیل و اطلاعات را ارائه می دهد که توسط ارائه دهندگان خدمات ابری (CSP) از طریق اینترنت ارائه می شوند. تعادل بار (LB) به فرآیند توزیع مجموعه ای از وظایف یا بارهای کاری بین گروهی از منابع VM اشاره دارد. هنگامی که وظایف به طور نابرابر توزیع می شوند، می تواند منجر به کاهش عملکرد و مشکلات بارگذاری بیش از حد یا کم بار شود. بنابراین، LB نقش مهمی در رایانش ابری ایفا می کند. به منظور افزایش عملکرد LB، یک تکنیک پیشنهادی دو الگوریتم بهینه سازی فراابتکاری متفاوت، یعنی بهینه سازی چند هدفه (MO) و بهینه سازی (EO) را ترکیب می کند. سپس عملکرد الگوریتم متعادل کننده بار هیبرید شده با عملکرد MO و EO و روش های دیگر مقایسه می شود. هنگام مقایسه تکنیک پیشنهادی با EO و MO، مشاهده می شود که تکنیک پیشنهادی تنها ۹.۵۹% زمان اجرا، ۹.۵۰% زمان پاسخ و ۰% زمان انتظار را به دست می آورد. این نشان می دهد که روش پیشنهادی برتر از الگوریتم های پایه EO و MO است و با موفقیت تایید شده است. جهت تجزیه میانگین زمان چرخش روش پیشنهادی دارای میانگین زمان چرخش برابر ۷۰۰ می باشد که در مقایسه با میانگین زمان چرخش کمتری نسبت به روش های دیگر است. جهت تجزیه و تحلیل مقایسه ای زمانی روش پیشنهادی دارای مقایسه زمانی برابر ۷۴ و روش MO برابر ۹۲ و روش EO برابر ۱۰۶ و روش et al. ۲۰۲۳) Sumathi( برابر ۱۱۲ و روش et al, ۲۰۲۳) Ramya( برابر ۱۳۰ است. بنابراین روش پیشنهادی دارای تحلیل مقایسه ای زمانی کمتری نسبت به روش های دیگر است. روش پیشنهادی جهت تحلیل مقایسه ای زمانی برای مجموع تعداد کارها دارای میانگین زمان جهت تعادل بار برابر با ۰.۱۰۱ است که نسبت به روش های دیگر کمتر می باشد. روش پیشنهادی برای مجموع تعداد کارها دارای میانگین استفاده از منابع برابر ۸۸.۴ درصد و روش GSA برابر ۸۴.۴ درصد و روش( Sunita, ۲۰۲۰) برابر ۸۱.۴ درصد و روش( Sumathi et al. ۲۰۲۳) برابر ۴.۵۱ درصد است.

کلیدواژه ها:

تعادل بار ، الگوریتم بهینه سازی MO ، الگوریتم بهینه سازی EO ، مجازی سازی و محاسبات ابری