یک الگوریتم ابتکاری پیشفعال برای مقیاسبندی خودکار منابع ابری

با ظهور رایانش ابری و امکان اجاره منابع مجازی به اندازه مصرف، ارائه دهندگان سرویس کاربرد (ASP) با انگیزه ارائه کاربردهای تحت وب وارد عرصه فناوری اطلاعات شدند. آنها ماشین های مجازی را برای میزبانی کاربردهای خود از ارائه دهندگان سرویس ابر اجاره می کنند؛ اما ممکن است با توجه به پویایی بارکاری، این منابع به اندازه نیاز واقعی ASP نباشند. اینجاست که مساله مقیاس بندی منبع بصورت خودکار مطرح می شود. به کمک خاصیت مقیاس پذیری رایانش ابری می توان این چالش را برطرف کرد. محققان به طور کلی با ارائه روش های واکنشی یا پیش فعال به حل این مساله می پردازند. اما از آنجا که راه اندازی یک ماشین مجازی با دقایقی تاخیر همراه است، لذا مقیاس بندی بر اساس روش واکنشی موجب تنزل در سطح مقبولیت سرویس و نارضایتی کاربران می شود. در این مقاله یک الگوریتم ابتکاری پیش فعال برای مقیاس بندی منابع ارائه می شود که می تواند نیاز یا عدم نیاز به منابع را از قبل پیش بینی کند. به منظور ارزیابی عملکرد الگوریتم پیشنهادی، مکانیزم های مقیاس بندی آگاه به منابع و اگاه به SLA را در CloudSim شبیه سازی کردیم. پارامترهای موثر در تصمیم گیری مقیاس بندی: بهره وری منابع و زمان پاسخ بودند. نتایج شبیه سازی نشان می دهد که الگوریتم پیشنهادی در بهبود عملکرد مکانیزم های آگاه به منابع و آگاه به SLA به خوبی عمل می کند؛ به نحوی که توانست کیفیت سرویس، نوسانات بهره وری منابع، سربار مقیاس بندی و مهمتر از همه هزینه را بهبود بخشد.

کلیدواژه ها:

رایانش ابری ، تخصیص منبع ، مقیاس بندی خودکار ، سطح مقبولیت سرویس (SLA) ، CloudSim