کاهش مصرف انرژی با استفاده از سری بایتونیک برای تخصیص ماشین های مجازی به میزبان های فیزیکی در محاسبات ابری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 390

فایل این مقاله در 12 صفحه با فرمت PDF و WORD قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

CCESI01_448

تاریخ نمایه سازی: 5 بهمن 1395

چکیده مقاله:

امروزه مصرف انرژی با رشد استفاده منابع افزایش پیدا می کند تخصیص نامناسب ماشین های مجازی به میزبان های فیزیکی موجب هدر رفتن انرژی بیشتری میشود. در این شرایط تخصیص بهینه ماشین های مجازی باعث کاهش تعداد مهاجرت ها در بین میزبان های فیزیکی شده و در نتیجه مصرف انرژی کاهش می یابد.روش پیشنهادی این مقاله بر اساس کاهش مصرف انرژی بوسیلهی تخصیص بهینه ی ماشین های مجازی به میزبان های فیزیکی با استفاده از ایجاد دستههایی از ماشین های مجازی که دارای بار متوازن نسبت بهم میباشد، قراردادهشدهاست. خاصیت توازن بار با بکارگیری خاصیت سری بایتونیک در محیط ایجاد میگردد. سری بایتونیک جهت کارهای موازیسازی استفاده میشود و یک سری صعودی-نزولی و یا نزولی-صعودی است که اعداد طوری در کنار هم قرار می گیرند که به طور یکنواخت صعودی یا نزولی نیستند. ارزیابی های انجام شده نشان می دهد که با تخصیص مناسب ماشین های مجازی می توانیم مصرف انرژی را به حداقل برسانیم. با توجه به نتایج آزمایش ها در محیط ناهمگن و ایستا تعداد مهاجرت ها به میزان 23/25% و انرژی مصرفی به میزان 25% بهبود داشته است.

نویسندگان

سیده سمیه فاطمی نسب

گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

داود بهره پور

گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

فرزاد نشتریان

گروه کامپیوتر، واحد مشهد، دانشگاه آزاد اسلامی، مشهد، ایران

مراجع و منابع این مقاله:

لیست زیر مراجع و منابع استفاده شده در این مقاله را نمایش می دهد. این مراجع به صورت کاملا ماشینی و بر اساس هوش مصنوعی استخراج شده اند و لذا ممکن است دارای اشکالاتی باشند که به مرور زمان دقت استخراج این محتوا افزایش می یابد. مراجعی که مقالات مربوط به آنها در سیویلیکا نمایه شده و پیدا شده اند، به خود مقاله لینک شده اند :
  • مروری برروشهای تخصیص ماشین های مجازی به میزبانهای فیزیکی درمحاسبات ابری [مقاله کنفرانسی]
  • Beloglazov, A., & Buyya, R. (2012). Optimal online deterministic algorithms ...
  • Beloglazov, A., Abawajy, J., & Buyya, R. (2012). Energy-aware resource ...
  • Cleveland, W. S. (1979). Robust locally weighted regression and smoothing ...
  • De Maio, V., Prodan, R., Benedict, S., & Kecskemeti, G. ...
  • Garcfa-Galan, J., Trinidad, P., Rana, O. F.. & Ruiz-Cortes, A. ...
  • Horri, A., Mozafari, M. S., & D astghaibyfard, G. (2014). ...
  • Kansal, N. J., & Chana, I. (2016). Energy-aware Virtual Machine ...
  • Lu, L., Zhang, H., Smirni, E., Jiang, G., & Yoshihira, ...
  • Moens, H., Truyen, E., Walraven, S., Joosen, W., Dhoedt, B., ...
  • Tang, M., & Pan, S. (2015). A hybrid genetic algorithm ...
  • Wang, J., Huang, C., Liu, Q., He, K., Wang, J., ...
  • Zhang, W., Han, S., He, H., & Chen, H. (2016). ...
  • Zheng, Q., Li, J. Dong, B., Li, R., Shah, N., ...