چکیده فارسی‌:

با توسعه سریع رایانش ابری، چگونگی کاهش مصرف انرژی و دستیابی به ظرفیت محاسباتی بالا به یک چالش مهم و بهنگام تبدیل شده است. شمای زمانبندی ماشین های مجازی(VMs) بیشتر بر روی افزایش بهره وری منابع cluster و کاهش توان مصرفی از طریق بهبود الگوریتم bin-packing تمرکز دارد. با این حال اجرای اپلیکشن های منابع فشرده بر روی VMs در سناریوهای واقعی تاثیر به سزایی در کارایی سیستم و مصرف انرژی دارد، علاوه بر آن، بارهای پیک لحظه ای ممکن است، منجر به زمانبندی خطا شده که میتواند به طور چشمگیری مانع از بهره­وری انرژی الگوریتم­های زمانبندی شود. در این مقاله ما یک روش زمانبندی جدید به نام PreAntPolicy پیشنهاد میکنیم که شامل یک مدل پیش بینی بر اساس ریاضیات فراکتال و زمانبندی بر اساس یک الگوریتم کلونی مورچگان بهبود یافته می باشد. مدل پیش بینی تصمیم میگیرد که آیا اجرای زمانبند را با اعتماد به پیش بینی بار، راه اندازی کند یا اینکه زمانبند، مسئول زمانبندی منابع با کاهش انرژی مصرفی تحت تقدم ضمانت کیفیت سرویس باشد. بواسطه آنالیز گسترده و آزمایش های شبیه سازی از رکوردهای واقعی از محاسبه cluster های گوگل، نتایج کارایی نشان میدهد که روش پیشنهادی راندمان انرژی و بهره برداری منابع بسیار خوبی دارد. علاوه بر آن، این روش یک مدل تامین ظرفیت پویا و موثر را برای کاربردهای منابع متمرکز در محیط های محاسباتی ناهمگن ارائه کرده ومی تواند مصرف منابع سیستم و انرژی را وقتی که بارهای پیک لحظه ای منجر به زمانبندی شده اند، کاهش دهد.

کلمات کلیدی: رایانش ابری ، تخصیص منابع، بهره­وری انرژی، مدل پیش بینی فراکتال، اپلیکشن های Resource-intensive

چکیده انگلیسی:

With the rapid development of cloud computing, how to reduce energy consumption as well as maintain high computation capacity has become a timely and important challenge. Existing Virtual Machines (VMs) scheduling schemes have mainly focused on enhancing the cluster resource utilization and reducing power consumption by improving the legacy ‘‘bin-packing’’ algorithm. However, different resource intensive applications running on VMs in realistic scenarios have significant effects on the system performance and energy consumption. Furthermore, instantaneous peak loads may lead to a scheduling error, which can significantly impede the energy efficiency of scheduling algorithms. In this paper, we propose a new scheduling approach named PreAntPolicy that consists of a prediction model based on fractal mathematics and a scheduler on the basis of an improved ant colony algorithm. The prediction model determines whether to trigger the execution of the scheduler by virtue of load trend prediction, and the scheduler is responsible for resource scheduling while minimizing energy consumption under the premise of guaranteeing the Quality-of-Service (QoS). Through extensive analysis and simulation experiments using real workload traces from the compute clusters of Google, the performance results demonstrate that the proposed approach exhibits excellent energy efficiency and resource utilization. Moreover, this approach offers an effective dynamic capacity provisioning model for resource-intensive applications in a heterogeneous computing environment and can reduce the consumption of system resources and energy when scheduling is triggered by instantaneous peak loads.