دفاعیه ارشد: رویکرد چندهدفه برای قراردادن ماشین مجازی در مراکز داده ابری ناهمگن با استفاده از الگوریتم های یادگیری ماشین

رویکرد چندهدفه برای قراردادن ماشین مجازی در مراکز داده ابری ناهمگن با استفاده از الگوریتم های یادگیری ماشین روز سه شنبه، 7 شهریور، 1402 توسط موسسه آموزش عالی زند شیراز در شهر شیراز استان فارس برگزار می شود.

رایانش ابری یک محاسبات توزیع شده است که در آن همه منابع به صورت پویا، مقیاس پذیر به عنوان خدمات در بستر اینترنت ارائه می شود. رایانش ابری علاوه بر همه ویژگی هایی که دارد دارای چالش هایی نیز می باشد که از جمله مهمترین آنها میتوان به جایابی ماشین مجازی اشاره کرد. جایابی ماشین مجازی به فرایند نگاشت ماشین های مجازی به ماشین های فیزیکی درون مرکز داده گفته می شود. انتخاب یک ماشین فیزیکی مناسب در بهبود بهره وری انرژی، بهره وری منابع، و پشتیبانی از کیفیت سرویس موثر است که باعث کارآمدی مراکز داده ابری می شود. کارهای متعددی در حوزه جایابی ماشین مجازی در سال های اخیر ارائه شده است. اما بیشتر الگوریتم های ارائه شده در این حوزه با فرض همگن بودن ماشین-های فیزیکی درون مرکز داده ارائه شده اند و الگوریتم های بسیار بسیار اندکی با فرض ناهمگن بودن مرکزداده ارائه شده اند. از طرفی مقیاس بزرگ مراکز داده باعث تشدید مشکلات جایابی می شود. از این رو ما در این پایان نامه به مشکل جایابی ماشین مجازی در مراکز داده ابری ناهمگن و در مقیاس بزرگ می پردازیم. روش پیشنهادی شامل دو فاز خوشه بندی و نگاشت می باشد. از آن جهت که ماشین های مجازی با درخواست های مشابه از منابع، دارای رفتارهای مشابه هستند، نخست در روش پیشنهادی ماشین های مجازی خوشه بندی شده اند که ما در اینجا از روش k-means به منظور خوشه بندی ماشین های مجازی بر اساس میزان درخواست هایشان از منابع پردازنده و حافظه استفاده کرده ایم. سپس در فاز بعدی ماشین های مجازی بر اساس خوشه ای که در آن قرارگرفته اند و با استفاده از تکنیک یادگیری تقویتی، به ماشین های فیزیکی نگاشت داده می-شوند. به منظور ارزیابی روش پیشنهادی، این روش در شبیه ساز کلودسیم ورژن ۳.۰.۳ پیاده سازی شده است و در چهار سناریو مختلف با روش GMPR که یکی از جدیدترین الگوریتم های جایابی می باشد مورد ارزیابی و مقایسه قرار گرفته است. نتایج حاصل از شبیه سازی نشان می دهد که روش پیشنهادی توانسته از لحاظ تعداد ماشین های استفاده شده تا ۲۲ درصد، از لحاظ میزان مصرف انرژی تا ۲۲ درصد، از لحاظ بهره وری منابع از بعد پردازنده و حافظه به ترتیب ۱۸، و ۱۷ درصد و از لحاظ زمان اجرا تا ۷۵ درصد نسبت به روش GMPR به نتایج بهتری دست یابد. واژگان کلیدی: رایانش ابری، جایابی ماشین مجازی، یادگیری تقویتی، خوشه بندی
معرفی سخنرانان: نگارنده: نوشین ذکاوت استاد راهنما: جناب آقای دکتر کشاورزی استاد مشاور: جناب آقای دکتر اسلامی نژاد استاد داور: جناب آقای دکتر بشکاری