توازن بار در زمان بندی وظایف در محیط ابری با هدف افزایش کیفیت سرویس

محیط های رایانش ابری با ارائه منابع مقیاس پذیر و بر اساس تقاضا، تحولی عظیم در نحوه پردازش و ذخیره سازی داده ها ایجاد کرده اند. با افزایش روزافزون تعداد وظایف ارسالی از سوی کاربران، توزیع عادلانه بار میان ماشین های مجازی به یکی از چالش های اساسی در این محیط ها تبدیل شده است. عدم توازن بار می تواند منجر به کاهش بهره وری منابع، افزایش زمان پاسخ دهی و نقض قراردادهای سطح سرویس گردد. از سوی دیگر، کیفیت سرویس (QoS) به عنوان عاملی کلیدی در جلب رضایت کاربران و تضمین کارایی زیرساخت ابری مطرح است. در این پژوهش، مسئله توازن بار در زمان بندی وظایف با هدف بهبود همزمان معیارهایی نظیر زمان تکامل، زمان پاسخ دهی، نرخ پردازش و استفاده بهینه از منابع بررسی شده است. روش های سنتی مانند الگوریتم های گردشی و کمترین بار، اغلب قادر به تطبیق با ماهیت پویا و ناهمگن وظایف در محیط ابری نیستند. در مقابل، رویکردهای فراابتکاری و مبتنی بر یادگیری ماشین، پتانسیل بالایی برای توزیع هوشمندانه بار و افزایش کیفیت سرویس نشان داده اند. در این مقاله، پس از مرور سیستماتیک الگوریتم های موجود شامل کلونی مورچگان، ازدحام ذرات و ژنتیک، یک چارچوب مفهومی برای زمان بندی آگاه از بار ارائه می شود. هدف اصلی، حداقل سازی زمان انتظار وظایف و حداکثرسازی نرخ استفاده از منابع به طور همزمان است. همچنین تاثیر توازن بار بر معیارهایی مانند دسترس پذیری، قابلیت اطمینان و توان عملیاتی به عنوان ابعاد کیفیت سرویس مورد تحلیل قرار می گیرد. نتایج شبیه سازی در محیط کارآمد نشان می دهد که رویکرد پیشنهادی قادر است با توزیع یکنواخت بار، زمان پاسخ دهی را تا حدود ۲۵ درصد کاهش و نرخ بهره وری را تا ۳۰ درصد نسبت به روش های پایه افزایش دهد. در پایان، چالش های موجود از جمله پویایی بار و مقیاس پذیری الگوریتم ها بحث شده و جهت گیری های آینده پژوهش ارائه می گردد.

کلیدواژه ها:

رایانش ابری ، توازن بار ، زمان بندی وظایف ، کیفیت سرویس ، ماشین مجازی ، الگوریتم های فراابتکاری ، بهره وری منابع