بهبود استفاده از منابع مراکز داده با استفاده از تکنیک خوشه بندی،منطق فازی و الگوریتم های تکاملی

محاسبات ابری امروزه به عنوان مدلی فراتر از سیستم های سنتی محاسبات توزیع شده (مانند Grid و Cluster) مطرح است که توانایی پاسخگویی به درخواست های پویا و نیازمندی های متنوع کاربران را دارد. با افزایش کاربران، نیاز به استقرار مکانیزم های مناسبی جهت توازن بار و زمانبندی کار احساس می شود. متعادل سازی بار برای توزیع یکنواخت حجم کار در سرورهای فیزیکی، جلوگیری از ازدحام منابع و بهبود عملکرد سیستم ضروری است. با توجه به درخواست کاربران جهت دریافت سرویس و لازمه ی ارائه پاسخ درست و به موقع و از سوی سرویس دهندگان و همچنین به دلیل محدود بودن منابع موجود در این محیط، نیاز به زمانبندی احساس میشود. در این مقاله رویکردی برای بهینه سازی مهاجرت ماشین مجازی، با ترکیب الگوریتم های ژنتیک و بهینه سازی کلونی مورچه ها برای عملیات زمان بندی منابع پیشنهاد شده است و از خوشه بندی K Means و منطق فازی برای تعیین کمیت وابستگی بین ماشین های مجازی و ماشین های فیزیکی جهت مهاجرت به منظور حفظ تعادل بار استفاده می کند. در این تحقیق مدل پیشنهادی با سه الگوریتم متعادل سازی بار در محیط شبیه سازی کلودسیم مقایسه شده است. در این ارزیابی مدل پیشنهادی ما به کاهش ۴.۵ درصدی در زمان انجام کار،افزایش ۴.۹ درصدی در نسبت موفقیت در مهلت مقرر،بهبود ۳.۹ درصدی در تنوع وظایف دست یافت.پیچیدگی محاسباتی ۸.۳ درصد کاهش یافت،راندمان مهاجرت ماشین مجازی ۲.۵ درصد بهبود یافت و تاخیر تصمیم گیری به طور قابل توجهی ۹.۵ درصد کاهش یافت و همچنین به صرفه جویی در مصرف انرژی به میزان ۳۰-۳۵٪ دست یافته است.

کلیدواژه ها:

محاسبات ابری ، زمانبندی