ارایه روشی موثر، مبتنی بر الگوریتم ژنتیک به منظور کاهش مصرف انرژی در مراکز داده ابری

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 443

فایل این مقاله در 8 صفحه با فرمت PDF قابل دریافت می باشد

این مقاله در بخشهای موضوعی زیر دسته بندی شده است:

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

EECIT01_026

تاریخ نمایه سازی: 5 اردیبهشت 1396

چکیده مقاله:

محاسبات ابری در سال های اخیر به عنوان یکی از مهمترین تکنولوژی ها برای تحویل تقاضای سرویس های پیشرفته از طریق اینترنت عمومی، ضروری شده است. این محیط تصوری از منابع بی نهایت را برای کاربران فراهم می کند، بنابراین کاربران می توانند منبی بر تقاضا، میزان استفاده از منابعشان را افزایش یا کاهش دهند. به عبارتی محیط ابر، شبیه به سایر خدمات همگانی (آب، برق، گاز و تلفن) پرداخت به اندازه استفاده است، که برای رسیدن به این هدف از بستر اینترنت به منظور ارایه سرویس به کاربر استفاده می کنند. در واقع محاسبات ابری تکنولوژی جدید محاسبات توزیع شده است که مبتنی بر تکنولوژی مجازی سازی می باشد. رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری توسط مراکز داده عظیم، موجب مصرف مقادیر بالای انرژی و در نتیجه افزایش هزینه عملیاتی و افزایش تولید دی اکسید کربن شده است. یکپارچگی منابع ابری این امکان را فراهم می کند تا با تعلیق مراکز داده بی کار و یا کم کار، با استفاده از مهاجرت بار آنها به مراکز داده واجد شرایط، در مصرف انرژی صرفه جویی به عمل آید. مراکز داده های ابری از تکنولوژی مجازی سازی برای میزبانی ماشین های مجازی متعدد روی یک سرور فیزیکی استفاده می کنند. با کاربرد موثر الگوریتم های جایگذاری و یکپارچه سازی ماشین های مجازی، تامین کنندگان ابر قادر خواهند بود تا بازده انرژی را افزایش دهند. در این تحقیق نشان می دهیم که به کارگیری الگوریتم ژنتیک در جایگذاری ماشین های مجازی در مراکز گسترده داده انرژی مصرفی را به میزان قابل توجهی کاهش می دهد.

نویسندگان

سمانه کرمانی

دانشجوی کارشناسی ارشد مهندسی کامپیوتر، نرم افزار، دپارتمان کامپیوتر دانشگاه آزاد اسلامی، واحد چالوس، چالوس، ایران

مهدی رجب زاده

عضو هیات علمی تمام وقت، دپارتمان کامپیوتر دانشگاه آزاد اسلامی، واحد چالوس، چالوس، 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 :
  • Parnia Samimi and Ahmed Patel, (2011), Review of Pricing Models ...
  • Kaplan, J. M. Forrest, W. & Kindler, N. (2008). Revo ...
  • Gartner Group (2010) Available at: _ _ ...
  • Inderjit Singh Dhanoa, Dr. Sawtantar Singh Khurmi, (2016), " Energy ...
  • Ipsita Kar, R.N. Ramakant Parida, (2016), " Energy Aware Scheduling ...
  • Nguyen Quang-Hung, Pham Dac Nien, Nguyen Hoai Nam, Nguyen Huynh ...
  • "A Genetic Algorithm for Power-Aware Virtual Machine Allocation in Private ...
  • نمایش کامل مراجع