استراتژی مدیریت آگاه از انرژی جهت ماشین های مجازی در محیط ابر با استفاده از الگوریتم مقیاس گذاری پویای ولتاژ فرکانس (DVFS)

مصرف انرژی در سیستم های محاسباتی با کارایی بالا نظیر خوشه ها و مراکز داده به چالشی بنیادین در دهه اخیر تبدیل شده است. یکی از کارآمدترین راهکارهای کاهش انرژی در این سیستم ها استفاده از تکنیک مقیاس گذاری پویای ولتاژ فرکانس (DVFS) می باشد. در پژوهش حاضر الگوریتمی با عنوان EASLA ارائه می شود که به زمان بندی آگاه از انرژی برنامه های کاربردی در چارچوب موافقتنامه سطح خدمات (SLA) در سیستم های خوشه ای مجهز به قابلیت DVFS می پردازد. با توجه به وابستگی های بین وظایف و محدودیت زمان تکامل (makespan)، برخی از اسلک ها فواصل زمانی بیکار ممکن است بهینه استفاده نشوند. ایده اصلی الگوریتم پیشنهادی توزیع هوشمندانه اسلک ها میان مجموعه ای از وظایف و کاهش متناظر فرکانس کاری آن ها به منظور کمینه سازی مصرف انرژی است. بدین منظور، الگوریتم ابتدا بیشترین مجموعه از وظایف مستقل را برای هر گره محاسباتی تعیین نموده و سپس هر اسلک را به مجموعه ای که دارای حداکثر وظایف مستقل بوده و بیشینه کاهش انرژی را به همراه دارد اختصاص می دهد. نتایج ارزیابی های تجربی حاکی از آن است که الگوریتم EASLA در محیط های همگن قادر است مصرف انرژی را تا ۲۲٫۶۸ درصد نسبت به الگوریتم Greedy DVS و تا ۱۰۱ درصد نسبت به الگوریتم EvenlyDVS بهبود بخشد. همچنین در محیط های ناهمگن الگوریتم پیشنهادی بهبود ۱۰٫۴۹ درصدی مصرف انرژی را نسبت به الگوریتم EES نشان می دهد.

کلیدواژه ها:

محاسبات ابری ، مصرف انرژی ، الگوریتم زمانبندی وظایف ، تخصیص اسلک ، مقیاس گذاری پویای ولتاژ فرکانس ، ماشین مجازی