چکیده
ما به مسئله تخصیص منابع در محیط ابر در مقیاس بزرگ می پردازیم، که بهینه سازی پیکربندی ابر به‌صورت پویا برای اهداف محاسبات سبز تحت محدودیت های پردازنده و حافظه را رسمی می کنیم. ما پروتکل عمومی gossip را برای تخصیص منابع پیشنهاد می کنیم، که می تواند برای اهداف خاص معرفی شود. ما نمونه ای از این پروتکل عمومی را باهدف به حداقل رساندن مصرف انرژی از طریق تحکیم سرور توسعه می دهیم، درحالی‌که رضایت مندی تغییر الگوی بارگیری برآورده شود. این پروتکل، GRMP-Q نامیده شد، که یک راه حل ابتکاری کارآمد فراهم می کند که در اغلب موارد به خوبی عمل می کند— در موارد خاص، بهینه است. تحت سربار ، پروتکل یک تخصیص عادلانه از منابع پردازنده به خدمات گیرنده را می دهد. نتایج شبیه سازی نشان می دهد که معیارهای کلیدی عملکرد، با افزایش اندازه سیستم تغییر نمی کند، فرآیند تخصیص منابع مقیاس پذیر برای بالاتر از 100000 سرور. به‌طورکلی، اثربخشی پروتکل در دستیابی به اهداف خود، با افزایش ظرفیت حافظه در سرورها، افزایش می یابد.
مقدمه
مصرف انرژی در مراکز داده قابل توجه است و به سرعت در سال های اخیر رشد کرده است و این رشد انتظار می رود ادامه دار باشد. چند مطالعه آن را نشان می دهد [1]-[3]. یک روش مؤثر برای کاهش مصرف انرژی مراکز داده، تحکیم سرور [4[، [5] است که باهدف تمرکز حجم کار بر روی حداقل تعداد سرورها است. این کار مؤثر است، زیرا امروزه سطح بهره برداری در مراکز داده اغلب پایین است، حدود 15% [6]. برای یک اجرا، سرور بیش از 60% از حداکثر مصرف انرژی خود را مصرف می کند، حتی اگر آن بار حمل نکند ([4])، تعویض سرورها (به‌طور موقت) برای یک حالت ضروری نباشد که حداقل یا هیچ انرژی نیاز دارد که می تواند به‌طور قابل‌توجهی مصرف انرژی را کاهش دهد.
امروزه همه تکنولوژی های کلیدی موردنیاز برای تحکیم سرور، در دسترس هستند. تکنولوژی های مجازی سازی و مهاجرت زنده ، استحکام پویا حجم کار را تحت درخواست پشتیبانی می کند. داشتن سطوح مختلف از حالت آماده‌به‌کار (مشخص شده با سطوح مختلف مصرف انرژی و زمان بیدار شدن ) که پیشنهادهای تجهیزات مدرن، برای انطباق منابع مرکز داده برای نیازهای در حال تغییر را اجازه می دهد.
معماری سیستم
شکل 2 (سمت چپ) معماری واسط ابر را نشان می دهد. مؤلفه های لایه واسط روی تمام دستگاه ها اجرا می شود. منابع ابر در درجه اول توسط نمونه های ماژول مصرف می شوند که به موجب آن قابلیت های یک سایت از یک یا چند ماژول ساخته شده است. واسط، شامل بخشی از منطق خدمات یک سایت (نشان داده‌شده با mi در شکل 2) یا مدیر سایت (نشان داده‌شده با SMi) است.
مدل سازی تخصیص منابع و راه حل عمومی ما
برای این کار، ما یک ابر که دارای منابع محاسباتی (مانند پردازنده) و منابع حافظه است را در نظر می گیریم که در دستگاه های زیرساخت ابر موجود است. ما دستگاه های موجود در ابر را همگن فرض می کنیم، به این معنا که پردازنده و ظرفیت حافظه آن‌ها و نیز خواص مصرف انرژیشان یکسان هستند.
A. مدل
ما ابر را به‌عنوان یک سیستم با مجموعه ای از سایت ها (S) و مجموعه ای از دستگاه ها (N) که سایت ها را اداره می کنند، مدل می کنیم. هر سایت s∈S از مجموعه ای از ماژول ها که با Ms نشان داده می شود، تشکیل شده است، و مجموعه ای از تمام ماژول های موجود در ابر، M=⋃_(s∈S)▒M_s است.
مسئله و راه حل ما
A. مدیریت منابع به‌عنوان یک مسئله بهینه سازی
هدف اول، برآوردن درخواست کاربر است، اگر با منابع خوشه در دسترس ممکن است (برای مثال، زیر بار) و تخصیص عادلانه منابع اگر با منابع خوشه در دسترس ممکن نیست (برای مثال، سربار). ما این را با استفاده از مفهوم سودمندی رسمی می کنیم. ما سودمندی تولیدشده توسط یک نمونه از ماژول mروی دستگاه n را به‌عنوان نسبت ظرفیت پردازنده تخصیص‌یافته به درخواست نمونه در آن دستگاه خاص تعریف می کنیم. یعنی u_(n,m) (t)=(ω ̂_(n,m) (t))/(ω_(n,m) (t) ). (نمونه‌ای با ω_(n,m)=0، سودمندی بی‌نهایت تولید می کند). سودمندی تولیدشده توسط یک سایت به‌صورت u(s,t)=〖min〗_(n,mϵM_s ) u_(n,m) (t) تعریف می شود. سودمندی ابر به‌صورت U^c (t)=〖min〗_(s|u(s,t)≤1) u(s,t)=〖min〗_(n,m|u_(n,m)≤1) u_(n,m) (t) تعریف می شود. هدف اول می تواند به‌عنوان حداکثرسازی U^c (t)بیان شود، که تضمین می کند که تمام درخواست های سایت، در صورت زیر بار، برآورده می شود. در صورت سربار، حداکثرسازی U^c (t)، حداکثر-حداقل عادلانه در مورد تخصیص منابع پردازنده برای سایت ها را تضمین می کند.
ارزیابی از طریق شبیه سازی
ما GRMP-Qرا از طریق شبیه سازی گسترده با استفاده از شبیه ساز رویداد گسسته شبیه سازی کرده ایم که ما در سازمان گسترش دادیم. ما یک سیستم توزیع‌شده را شبیه سازی می کنیم که مؤلفه های مدیر دستگاه تمام دستگاه های موجود در ابر را اجرا می کند. به‌طور خاص، این مدیرهای دستگاه ها، پروتکل GRMP-Q را اجرا می کنند، که تخصیص ماتریس A را محاسبه می کند، و همچنین پروتکل CYCLON، که تابع انتخاب یک همسایه تصادفی را برای GRMP-Qفراهم می کند. شبیه ساز همچنین الگوریتم شرح داده‌شده در [7] برای محاسبه پیکربندی امکان پذیر اولیه ابر را پیاده سازی می کند. رویدادهای خارجی برای این شبیه سازی، تغییرات در بردار تقاضای ωهستند.
A. عملکرد GRMP-Q تحت CLF و MLFمختلف
در این سناریو، ما عملکرد GRMP-Q را برای CLF={0.1,0.4,0.7,1,1.3} و MLF={0.1,0.3,0.5,0.7,0.9}، توسط اندازه گیری معیارهای لیست شده در بالا، ارزیابی می کنیم. ما نتایجمان را با یک سیستم ایده آل که دارای تراکم ظرفیت حافظه و پردازنده ابر است و اینکه انرژی را طبق تابع P_lb^C=⌈min(1,max(CLF,MLF))⌉مصرف می کند، مقایسه می کنیم. (P_lb^C یک کران پایین برای P^Cاست که یک تخمین خوب از مقدار بهینه برای P^C، مقدار پایین MLF است). در این مقاله، نتایج مربوط به کاهش انرژی و تقاضای برآورده شده را گزارش می کنیم. ارزیابی کامل پروتکل، در [18] موجود است.
کارهای مشابه
مسئله کاهش مصرف انرژی یک مرکز داده تحت محدودیت های عملکرد، به‌طور گسترده موردمطالعه قرارگرفته است [5]، [20]-[27] و همچنین تولید راه حل هایی که یک راه حل را برای چنین مسئله ای ترکیب می کند وجود دارد [4]. فاکتور کلیدی تفاوت کار ما، در مقایسه با تمام‌کارهای دیگر، استفاده از یک الگوریتم غیرمتمرکز برای محاسبه سیاست های تخصیص منبع در ابر است. این، در تضاد تند با راه حل های موجود، اجازه می دهد تا سیستم مدیریت منبع ما به 100000 دستگاه مقیاس کند، و به‌صورت پویا با تغییرات در تقاضای سایت های در حال اجرا انطباق یابد. ارائه کامل کارهای مشابه، در [18] موجود است.
بحث و نتیجه گیری
ما سه همکاری را با این مقاله ایجاد کردیدم. اول، ما مسئله حداقل سازی مصرف انرژی را از طریق تحکیم سرور، وقتی‌که سیستم در حالت زیر بار است و تخصیص منبع عادلانه در حالت سربار، معرفی و رسمی کردیم. دوم، ما GRMP را ارائه کردیم، که یک پروتکل gossip عمومی برای مدیریت منبع است که می تواند برای اهداف مختلف معرفی شود. (یک پروتکل برای تخصیص منابع عادلانه از کار قبلی ما، درواقع یک نمونه از این پروتکل است). درنهایت، ما یک نمونه از GRMP را ارائه دادیم که یک راه حل ابتکاری برای مسئله حداقل سازی مصرف انرژی فراهم می کند، که ما برای مؤثر شدن و مقیاس پذیر شدن نشان دادیم.
مطالعات شبیه سازی GRMP-Qنشان می دهد که پروتکل طبق اهداف طراحی‌اش که در بخش 1 گفته شد، برای محدوده پارامترهای بررسی‌شده، انجام می دهد. برای نمونه، برای سناریو حالت زیر بار با CLF=MLF=0.1، پروتکل یک پیکربندی محاسبه می کند که در آن کمتر از 20% دستگاه ها، بار حمل می-کنند، درحالی‌که تقاضای کاربر هنوز برآورده می شود. در سناریو حالت سربار، پروتکل منابع را به‌صورت عادلانه به سایت ها تخصیص می دهد، تا زمانی که حافظه کافی موجود است [18]. علاوه بر این، نتایج نشان می دهند که پروتکل مقیاس پذیر است، به این معنا که معیارهای کلیدی عملکردش با افزایش اندازه سیستم، تغییر نمی یابد.
با توجه به کار آینده، ما طرح ریزی می کنیم برای (1) تعیین نرخ همگرایی GRMP-Qو وابستگی آن به تقاضاهای پردازنده و حافظه، (2) توسعه یک نسخه از پروتکل برای یک محیط ابر ناهمگن که در آن ظرفیت پردازنده و حافظه در سراسر دستگاه ها متفاوت است، (3) توسعه یک مکانیسم توزیع‌شده که به‌صورت کارآمد سایت های جدید را قرار می دهد، (4) ایجاد پروتکل قوی برای خرابی دستگاه ها، (5) توسعه نسخه های GRMP اهداف بیشتری را پشتیبانی می کند (مانند تمایز خدمات) و محدودیت (مانند اشتراک مکانی و ضد اشتراک مکانی )، (6) توسعه یک اجرای مقیاس پذیر از خدمات مخزن دستگاه که انرژی مصرفی را برای خنک‌کننده در نظر بگیرد.
این مقاله در سال 2011 در نشریه آی تریپل ای و در کنفرانس بین المللی مدیریت شبکه و خدمات، توسط مرکز لینائوس دسترسی، 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 منابع مبتنی بر مکانیسم Gossip برای محاسبات سبز در سایت ای ترجمه مراجعه نمایید.
