ارائه یک الگوریتم برای بهبود عملکرد و افزایش رویکرد مقیاس پذیری به منظور کاهش مصرف انرژی

معماری توزیع شده یک رویکرد طراحی است که در آن منابع و وظایف در چندین گره محاسباتی توزیع می شوند و با توجه به اینکه مقیاس پذیری و انعطاف تخصیص منابع جایگاه ویژه ای در محاسبات ابری دارد، این امر می تواند به بهبود مقیاس پذیری، قابلیت اطمینان و کارایی سیستم توزیع گردد. همچنین هنگامی که میزان پیچیدگی درخواست ها بزرگ شود، راه حل های دقیق نمی توانند در زمان قابل قبول پاسخ بهینه را به دست آورند و یافتن یک پاسخ خوب بسیار ارزشمند است که با استفاده از روش های تقریبی مانند الگوریتم های ابتکاری و فراابتکاری انجام می شود. الگوریتم ژنتیک GA-ETI نیز بعنوان یک راهکار فراابتکاری برای حل مسئله زمانبندی جریان کارهای علمی در محیط های ابری توسعه داده شده است. در این مقاله الگوریتم GA-ETI را با الگوریتم زمانبندی لیست ترکیب نموده و روش جدیدی برای بهینه سازی توسعه داده می شود که علاوه بر یافتن پاسخ های بهینه/نزدیک به بهینه، سرعت اجرای بالایی دارد. نتایج تجربی به دست آمده نشان می دهد که کیفیت پاسخ های الگوریتم پیشنهادی نسبت به الگوریتم های زمانبندی لیست و GA-ETI بهتر است. مدل پیشنهادی که با کمک الگوهای درخواست ورودی در طول زمان اقدام به مقیاس دهی خودکار ماشین های مجازی می کند، در صورت استفاده از سرویس های مشخص و جریان های کاری کارا در سازمان، می تواند ابزار مناسبی جهت کاهش هزینه اجاره منابع پردازشی و تطبیق به موقع با شرایط بحرانی باشد.

کلیدواژه ها:

الگوریتم ژنتیک ، معماری توزیع شده ، مقیاس پذیری توزیع ، انرژی ، الگوریتم ژنتیک بهبود یافته