جایگذاری چندمعیارهی ماشین های مجازی در دیتاسنترها با استفاده از الگوریتم کرم شبتاب

سال انتشار: 1395
نوع سند: مقاله کنفرانسی
زبان: فارسی
مشاهده: 725

فایل این مقاله در 18 صفحه با فرمت PDF قابل دریافت می باشد

استخراج به نرم افزارهای پژوهشی:

لینک ثابت به این مقاله:

شناسه ملی سند علمی:

ITCC03_356

تاریخ نمایه سازی: 6 اردیبهشت 1396

چکیده مقاله:

امروزه رایانه های شخصی با تمام گستردگی خود، جوابگوی نیازهای نرم افزاری و سخت افزاری کاربران نبوده و دنیایفناوری شاهد رشد روز افزون حرکت کاربران به سمت استفاده از رایانش ابری است. با نفوذ بیش از پیش این فناوری،افزایش مصرف انرژی و منابع ناشی از آن، دغدغه فعالان محیط زیست و توسعه دهندگان ابر شده است. مطالعات نشانمی دهد که مصرف برق مراکز داده حدود 1.3 درصد مصرف برق دنیا است. مقداری که پیش بینی می شود تا سال2020 به 8 درصد افزایش یابد. همچنین شرکت آمازون به عنوان یکی از بزرگترین توسعه دهندگان ابر، هزینه های انرژیخود را 42 درصد کل هزینه های عملیاتی خود اعلام نموده است. در چنین شرایطی، بهینه سازی هرچند اندک در مصرفانرژی مراکز داده، می تواند منجر به صرفه جویی های فراوانی در هزینه ها گردد. یکی از راهکارهای کاهش مصرفانرژی در مراکز داده های مجازی سازی شده، ارایه روشی مناسب برای جایگذاری ماشین های مجازی در مرکز دادهاست. در این پژوهش سعی شده با استفاده از الگوریتم کرم های شب تاب مصرف انرژی مرکز داده، تعداد سرورهای فعالو اتلاف منابع سرور اعم از پردازنده و حافظه به عنوان پارامترهای افزاینده هزینه در مرکز داده کاهش داده شود. نتایج حاصل از مقایسه روش پیشنهادی ما با الگوریتم اولین مناسب نزولی (FFD) و بدترین مناسب نزولی (WFD) نشان ازحاصل از مقایسه روش پیشنهادی ما با الگوریتم اولین مناسب نزولیبهبود تا 28 درصد در مصرف انرژی، تا 88 درصد در تعداد سرورهای فعال و تا 95 درصد در اتلاف منابع دارد که حاکیاز بهبود چشمگیر به نسبت الگوریتم های پایه می باشد.بهبود تا 28 درصد در مصرف انرژی، تا 88 درصد در تعداد سرورهای فعال و تا 59 درصد در اتلاف منابع دارد که حاکیاز بهبود چشمگیر به نسبت اعگوریتمهای پایه میباشد.

کلیدواژه ها:

نویسندگان

یاسر کماچی زهان

دانشجوی مقطع کارشناسی ارشد دانشگاه خیام مشهد

تکتم غفاریان مبهوت

عضو هیات علمی دانشگاه خیام مشهد

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 :
  • Adamuthe, A. C., Pandharpatte, R. M., & Thampi, G. T. ...
  • Cao, Z., & Dong, S. (2014). An energy-awar heuristic framework ...
  • Fister, I., Fister, I. J., Yang, X.-S., & Brest, J. ...
  • Kliazovich, D., Bouvry, P., & Ulah Khan, S. (2010). GreenCloud: ...
  • Sait, S. M., Bala, A., & El-Maleh, A. H. (2015). ...
  • Tang, M., & Pan, S. (2014). A Hybrid Genetic Algorithm ...
  • Perumal B., Murugaiyan A. (2016). A Firefly Colony and Its ...
  • Gao, Y., Guan, H., Qi, Z., Hou, Y., & Liu, ...
  • Yang X. She. (2008). Nature-Inspire d Metaheuristic Algorithms. ...
  • نمایش کامل مراجع