بهینه سازی GEP برای تعادل بار ماشین های مجازی (LBVM) در رایانش ابری

رایانش ابری برای توزیع یکنواخت بار کاری بین سرورها، اتصالات شبکه و درایوها به شدت به تعادل بار متکی است. به سیستم ابری مقداری بار اختصاص داده شده است که بسته به معماری ابر و درخواست های کاربر می تواند بارگذاری نشده، اضافه بار یا متعادل شود. یکی از اجزای مهم زمان بندی وظایف در ابر تعادل بار بین وظایف وابسته یا مستقل از ماشین های مجازی (VM) است. برای غلبه بر این مشکلات، روش جدیدی به نام تعادل بار ماشین مجازی (LBVM) در محاسبات ابری پیشنهاد شده است. وظایف ورودی کاربران در یک جمع کننده وظیفه جمع شده و به تعادل دهنده بار ارسال می شوند که از شبکه یادگیری عمیق Bi-LSTM استفاده می کند. هنگامی که بار نامتعادل باشد، مهاجرت ماشین مجازی آغاز می شود. شبکه Bi-LSTM با الگوریتم بهینه سازی برنامه نویسی بیانی ژنتیکی (GEP) بهینه می شود و نهایتا بار ورودی بین ماشین های مجازی متعادل می گردد. اثر بخشی روش پیشنهادی با استفاده از تکنیک های موجود مانند PBV، MVM و VMIS در معیارهایی مانند تاخیر پیکربندی، نرخ تشخیص و دقت ارزیابی شده و نشان داده شده است که روش پیشنهادی زمان مهاجرت را به ترتیب ۴۹٪، ۴.۱۷ و ۱۷.۸ کاهش می دهد.

کلیدواژه ها:

رایانش ابری ، ماشین های مجازی ، الگوریتم ژنتیک ، تعادل بار