ای ترجمه
ای ترجمه
خواندن ۶ دقیقه·۲ سال پیش

تخصیص منابع پویا در محاسبه ابری با تحمل خطا (مقاله ترجمه شده)

چکیده

امروز، محاسبات ابری به عنوان یک مدل پاسخ درخواستی به خدمت گرفته می شوند که یک مشتری برای خدمات موجود مختلف در "پرداخت شما به عنوان پایه و اساس" درخواست می دهد. پردازش ابری یک پدیده تخصیص منابع انعطاف پذیر پویا را پیشنهاد می دهد. برای خدمات قابل اعتماد و تضمین شده باید یک مکانیسم برنامه ریزی وجود داشته باشد که تمام منابع با کارایی برای برآوردن درخواست مشتری اختصاص داده شوند. خدمات ابری بر اساس ویژگی های مقیاس پذیری هستند، در دسترس بودن، امنیت و تحمل خطا می باشند. تأمین خدمات در ابر بر اساس SLA است. توافقنامه سطح خدمات شرایط قرارداد ارائه دهنده ابری با مشتریان برای تعریف سطح (های) خدمات فروخته شده با اصطلاحات زبان ساده است. QoS  (کیفیت خدمات) نقش مهمی در محیط ابری بازی می کند. برنامه ریزی منابع و استقرار خدمات با توجه به پارامترهای چندگانه SLA نظیر CPU مورد نیاز، پهنای باند شبکه، حافظه و ذخیره سازی اجرا می شود. در این مقاله ما یک الگوریتم را پیشنهاد می دهیم که پیشدستی منابع از اولویت کم به اولویت بالا و رزرو پیشرفته برای منابع را با توجه به متعدد پارامتر های SLA برای استقرار خدمات اجرا می کند. این الگوریتم همچنین برای مکانیزم تحمل خطا موثر است.

مقدمه

محاسبه ابری " ارائه منابع محاسباتی و برنامه های کاربردی از طریق اینترنت "با استفاده از مدل پرداخت به شما است. همچنین به عنوان محاسبات اینترنت شناخته شده است، در اینجا  مخزنی از منابع از قبیل حافظه، پردازنده، شبکه و پهنای باند، عملا در سراسر اینترنت توزیع شده است. اگر یک مشتری بخواهد از خدمات ارائه دهنده ابری استفاده کند و پس با توجه به خدمات با استفاده از زمان واقعی مجبور به پرداخت در ازای الزامات هر هزینه می باشد. محاسبات ابری به اشتراک گذاری جهانی منابع و ظرفیت های ذخیره سازی نامحدود را فراهم می کند.

همانطور که می دانیم هر تعداد از مشتریان می توانند ارائه دهنده ابری را درخواست دهند، اگر توافق بر اساس SLA رخ دهد، بدان معناست که ارائه دهنده ابری قادر به رسیدن به درخواست مربوطه از کاربر است، این امر با برنامه ریزی موثر منابع و استقرار برنامه های کاربردی در ماشین های مجازی مناسب اجرا می شود. برنامه ریزی منابع یعنی چندگانگی درخواست های کاربران در ساختار فیزیکی یکسان. در این زمان کار بیشتر در حال حاضر در مورد برنامه ریزی منابع در ابر های این روش بر استقرار منابع جهانی با در نظر گرفتن یک SLA بر اساس هدف از قبیل هزینه اجرا، زمان اجرا، حداقل منابع و غیره است.

کار مرتبط

جیایین لی  [1] یک مکانیسم بهینه سازی منابع در  سیستم های چند ابر IaaS  ناهمگن متحد ارائه داد که برنامه ریزی مدل کار قابل پیش دستی را با تخصیص منابع ، مدل سیستم ابر، نقشه برداری محلی و مصرف انرژی و مدل نرم افزاری را فعال می کند. این امر برای آینده خودکار در ابر و ماشین های مجازی مناسب است. آنها الگوریتم پویا برای تخصیص منابع آنلاین و برنامه ریزی کار پیشنهاد دادند. در منابع ابری خارق العاده پیشنهادی هر مرکز داده جدید سرور مدیری دارد، ارتباط و طرح تخصیص منابع بین سرور های مختلف از هر مرکز داده برای اشتراک گذاری تراکم کاری در میان سرور های داده های متعدد را تقسیم می کند. به اشتراک گذاری حجم کار ذخیره منبع بزرگی از منابع انعطاف پذیر و ارزان تر برای تخصیص منابع می سازد.

استراتژی برنامه ریزی و مسائل طراحی

در این بخش ما نموداری بر اساس محیط ابری و برنامه ریزی اکتشافی پیشنهاد می دهیم. الگوریتم پیشنهادی ما به طور کلی در منابع SLA بر اساس تأمین و برنامه ریزی تطبیقی ​​آنلاین برای قابلیت پیشدستی پیشرفته به منظور اجرای وظیفه است. دو گام اساسی برای استفاده موثر از منابع ابری مورد نیاز است که به اهداف SLA می رسد.

تخصیص منابع و استقرار نرم افزار

سه نوع لایه وجود دارد که ترکیبی برای استفاده در تأمین منابع برای سرویس درخواست کاربر است. به طور کلی به عنوان مدل های سرویس در محاسبات ابری شناخته شده است. IaaS، SaaS و PaaS.

الگوریتم زمان بندی

در این بخش یک الگوریتم برای رسیدگی به اولویت درخواست مشتری و ارائه رزرو پیشرفته و پیش دستی بر منابع پیشنهاد می شود که نسخه اصلاح شده از الگوریتم قبلی در [4] است. در اینجا بالاترین اولویت کار بیش از وظیفه AR و وظیفه مرتبط به بالاترین هزینه پرداخت توسط مشتریان تعریف می شود

نتیجه شبیه سازی

در این بخش در مورد نتیجه آزمایش ما با توجه به الگوریتم بحث می کنیم. عملکرد اکتشافی از طریق شبیه سازی داده ها را با استفاده از مجموعه وظایف مختلف در 10 اجرا می شود، ارزیابی می کنیم. با مجموعه ای از 60 درخواست خدمات مختلف و هر درخواست خدمات تشکیل شده در 10 تا 15 زیرکار آزمایشی انجام می دهیم. 4 ابر در شبیه سازی را در نظر می گیریم. درخواست های مختلف را می توان در ابر دلخواه اجرا کرد. زمان ورود درخواست ها با همدیگر متفاوت است. برخی از کارها به عنوان حالت AR اجرا می شوند و بقیه آنها را به عنوان بهترین حالت تلاش اجرا می شوند. ما شبیه سازی را به صورت محلی با استفاده از این پارامترها بدون اجرای آن را در هر سیستم از ابر های موجود و یا با استفاده از VM مرتبط با API انجام می دهیم.

نتیجه گیری

تحمل خطا، QOS، دسترسی و مقیاس پذیری هنوز چالش ها باز در زمینه محاسبات ابری هستند. در این مقاله، برنامه ریزی اکتشافی برای مکانیزم تخصیص منابع پویا با منابع پیشدستی در ابر را ارائه کرده ایم. برنامه ریزی محلی و جهانی با توجه به درخواست خدمات کاربر ارائه کرده ایم. همچنین یک طرح جدید برای اولویت بالای آن نیز برای مکانیزم تحمل خطا در مدیریت منابع ارائه دادیم. هنگامی که یک منبع شکست می خورد، بلافاصله منبع جدید برای کار فراهم می شود. در این الگوریتم اولویت کار در مورد هزینه و محدودیت زمان تعریف شده است. الگوریتم زمان بندی خود را با استفاده از شبیه سازی محلی ارزیابی کردیم. سناریوهای ارزیابی و آزمون را برای بهره برداری از منابع، استقرار خدمات و تحمل خطا استفاده کردیم. کار آینده- ما می توانیم بر روی چندین پارامتر کار کنیم که اولویت وظایف مانند حدالقل ملزومات منابع، زمان CPU، هزینه و شبکه می باشد. همچنین میتوانیم هدف انرژی کارآمد در تخصیص و استفاده از منابع را بررسی کنیم. بحث اکتشافی ارائه شده نیز می توانند در محیط محاسبات FOG شبیه سازی شوند. طرح جدید می تواند برای بکار گرفتم در لیست انتظار توسعه یابد. ما همچنین می توانیم بر روی مکانیسم هایی کار کنیم که چگونه مجرای وظایف را تعیین کنیم.

این مقاله در سال 2015 در نشریه آی تریپل ای و در کنفرانس بین المللی شبکه های ارتباطی (ICCN)، توسط دانشگاه ITM منتشر شده و در سایت ای ترجمه جهت دانلود ارائه شده است. در صورت نیاز به دانلود رایگان اصل مقاله انگلیسی و ترجمه آن می توانید به پست دانلود ترجمه مقاله تخصیص منابع پویا در محاسبه ابری با تحمل خطا در سایت ای ترجمه مراجعه نمایید.

مقاله محاسبات ابریمقاله تخصیص منابعمقاله تحمل خطامقاله نرم افزار به عنوان خدماتمقاله ماشین مجازی
خدمات ارائه مقالات علمی و سفارش ترجمه تخصصی
شاید از این پست‌ها خوشتان بیاید