جستجوی مقالات مرتبط با کلیدواژه « رایانش ابری » در نشریات گروه « برق »
تکرار جستجوی کلیدواژه «رایانش ابری» در نشریات گروه «فنی و مهندسی»-
نشریه دستاوردهای نوین در برق،کامپیوتر و فناوری، سال چهارم شماره 2 (پیاپی 11، تابستان 1403)، صص 34 -47
ادغام دو فناوری اینترنت اشیاء و رایانش ابری امکان جمع آوری، پردازش و تحلیل داده های گسترده از منابع مختلف را فراهم می کند. که منجر به بهبود تصمیم گیری ها و افزایش کارایی در مدیریت منابع زمین می گردد. با ظهور اینترنت اشیاء تحولاتی در سیستم های اطلاعاتی و فناوری های محاسباتی پدید آمده به طوریکه اشیاء فیزیکی مورد استفاده در زندگی روزمره، با اتصال به آن، خود را شناسایی می کنند. اشیاء فیزیکی تعبیه شده با فرکانس الکترونیکی و رادیویی شناسایی، نرم افزار، حسگرها، محرک ها و اشیاء هوشمند با یکدیگر همگرا می شوند بنابراین، اینترنت اشیاء اتصال را برای همه و همه چیز در هر زمان فراهم می کند رایانش ابری با ارائه زیرساخت های محاسباتی قدرتمند و مقیاس پذیر، پردازش داده های حجیم تولید شده توسط حسگرهای IoT را تسهیل می کند. داده های جمع آوری شده از این طریق با سرعت و با دقت بالا پردازش می شوند و این ترکیب فناوری ها نه تنها به کاهش زمان و هزینه ها و مصرف انرژی کمک می کند، بلکه با افزایش دقت و سرعت در تحلیل داده ها، بهره وری را بهبود می بخشد. همچنین، امنیت و حریم خصوصی داده ها با استفاده از راهکارهای ابری تقویت می شود. افزایش بهره وری، کاهش هزینه ها، افزایش کارایی، پایداری محیطی، بهبود تصمیم گیری از جمله اهداف کلی این تحقیق در مدیریت و بهره وری منابع زمین به وسیله ادغام دو فناوری مزبور هستند. در نهایت، این مقاله نشان می دهد که ادغام رایانش ابری و اینترنت اشیاء می تواند نقش مهمی در بهینه سازی مدیریت منابع زمین، افزایش بهره وری، حفظ منابع طبیعی و بهبود کیفیت زندگی داشته باشد.
کلید واژگان: اینترنت اشیاء, رایانش ابری, منابع زمین}Journal of New Achievements in Electrical, Computer and Technology, Volume:4 Issue: 2, 2024, PP 34 -47The integration of two technologies, Internet of Things and cloud computing, enables the collection, processing and analysis of extensive data from various sources. which leads to improved decisions and increased efficiency in the management of land resources. With the advent of the Internet of Things, developments in information systems and computing technologies have emerged so that physical objects used in daily life identify themselves by connecting to it. Physical objects embedded with electronic and radio frequency identification, software, sensors, actuators, and smart objects converge with each other. Thus, the Internet of Things provides connectivity for everyone and everything at any time. Cloud computing provides powerful computing infrastructure. and scalable, facilitating the processing of massive data generated by IoT sensors. The data collected in this way are processed with high speed and accuracy, and this combination of technologies not only helps to reduce time, costs and energy consumption, but also improves productivity by increasing the accuracy and speed of data analysis. Also, data security and privacy are enhanced by using cloud solutions. Increasing productivity, reducing costs, increasing efficiency, environmental sustainability, improving decision-making are among the general goals of this research in the management and productivity of land resources by integrating the two mentioned technologies. Finally, this paper shows that the integration of cloud computing and the Internet of Things can play an important role in optimizing the management of land resources, increasing productivity, preserving natural resources, and improving the quality of life..
Keywords: Internet Of Things, Cloud Computing, Land Resources} -
ارائه رویکردی برای استفاده بهینه از منابع با آگاهی از زمان پردازش درخواست ها در محیط های رایانش ابری
رایانش ابری، یک مدل محاسباتی مبتنی بر شبکه است که به منظور عرضه، مصرف و ارایه خدماتی نظیر زیرساخت، نرم افزار و منابع رایانشی از طریق شبکه ایجاد شده است. مسیله زمان بندی مجموعه کارها در این سیستم ها به مسیله ای مهم و پیچیده تبدیل شده است و حل این مسیله می تواند عملکرد و تعامل گره ها در این سیستم توزیع شده را بهبود ببخشد. الگوریتم های زمان بندی، با در نظر گرفتن کیفیت خدمات اقدام به تخصیص کارها به منابع می کنند و هدف از زمان بندی در این سیستم ها به حداکثر رساندن بازدهی سیستم با اختصاص دادن کارهای صحیح به ماشین های صحیح، به حداقل رساندن زمان اجرا و به حداکثر رساندن استفاده از منابع است. هدف از انجام این پژوهش ارایه رویکردی برای استفاده بهینه از منابع است. از آنجایی که در کارهای پیشین در خصوص زمان بندی وظایف، دسته بندی وظایف و منابع در برخی موارد توزیع دقیق آن ها را بر روی منابع تضمین نمی کنند، در این مقاله پس از دسته بندی وظایف و منابع به کمک برخی ویژگی های آن ها و با کمک یک شبکه عصبی به دنبال یافتن بهترین ماشین برای وظیفه انتخاب شده در سیستم می گردیم. لایه های موجود در شبکه عصبی و مرحله های یادگیری و در نهایت استفاده از مدل آموزش دیده به ما در انتخاب منبع مناسب موجود برای وظیفه انتخاب شده کمک می کند و این موضوع می تواند بازدهی سیستم را بهبود ببخشد. نتایج حاصل از ارزیابی راه حل ارایه شده حاکی از زمان اتمام وظایف کوتاه تر الگوریتم پیشنهادی نسبت به الگوریتم های تصادفی، اولین برازش و Tetris است به طوری که میانگین زمان اتمام وظایف حداقل 10 واحد زمانی نسبت به الگوریتم اولین برازش و Tetris و همچنین تقریبا 1 واحد زمانی از الگوریتم انتخاب تصادفی بهتر است.
کلید واژگان: زمان بندی وظایف, رایانش ابری, خوشه بندی, یادگیری تقویتی عمیق} -
در مطالعات اخیر تحقیقات متعددی پیرامون فدراسیون ابر وجود داشته است که علت آن افزایش سود ارایه دهندگان ابر و همچنین بهبود استفاده از منابع است. هر کدام از مطالعات با بهبود یک یا چند ویژگی از فدراسیون ابری به توسعه این حوزه کمک کرده اند، با این حال، بخش عمده ای از این مطالعات از عدم توجه به مسایل مربوط به صداقت رنج می برند. منظور از صداقت، تامین ویژگی در سطح فدراسیون است تا ضمن خفظ انگیزه مشارکت اعضا، بستری قابل اعتماد را جهت همکاری متقابل فراهم کند به شیوه ای که هیچ عضوی به ازای انحراف از اعلام واقعیت سودآوری بیشتری نداشته باشد. در این مقاله، یک سیستم مرور مطالعات طراحی و اجرا شده است که به کمک آن مطالعات از منظر صداقت در حوزه فدراسیون ابری بررسی و تحلیل می شوند. در این راستا مطالعاتی که به صورت صریح یا ضمنی قابلیت پشتیبانی از صداقت را دارند مشخص و نقاط قوت و ضعف هر یک بررسی شده است. همچنین موانع و چالش های پیش رو در تامین صداقت مطرح و پیشنهاداتی جهت بهبود صداقت در فدراسیون ابری ارایه شده است. با توجه به بررسی که انجام شده این مقاله اولین مقاله مروری در خصوص بررسی روش های موجود از دیدگاه تامین صداقت می باشد.
کلید واژگان: رایانش ابری, فدراسیون ابری, میان ابر, صداقت, تخصیص منابع}Abstract- In recent studies, there has been a lot of research on cloud federation due to the increase in profits of cloud providers and resource utilization. Each of the studies has helped develop this area by improving one or more features of the cloud federation. However, these studies suffer from a lack of attention to integrity issues. Integrity means maintaining a motivating platform for cooperation and member participation in a way that no member is more profitable in exchange for deviating from the truth. This paper has designed and implemented a review system to review and analyze related studies from the integrity perspective in the cloud federation. The studies that explicitly or implicitly support integrity have been selected and discussed in the strengths and weaknesses. Obstacles and challenges in providing integrity and suggestions for improving it in the cloud federation have also been discussed. According to our knowledge, this paper is the first Systematic Literature Review (SLR) on the recent cloud federation studies from the integrity perspective.
Keywords: Cloud Computing, Cloud Federation, InterCloud, Integrity, Resource Allocation} -
امروزه مزایای زیاد رایانش ابری باعث شده بسیاری از نهادهای کوچک و بزرگ، از خدمات ابری برای کاهش هزینه های خود استفاده کنند. در این میان برخی از موانع بازدارنده برای استفاده از سرویس های ابری وجود دارد که یکی از بزرگ ترین آن ها حملات امنیتی متاثر از فوق ناظر است. هنگامی که یک حمله مستقیم به یک کاربر روی یک فوق ناظر انجام می شود، ممکن است به طور غیرمستقیم ماشین مجازی سایر کاربران را نیز مورد حمله قرار دهد. در این بین، اهداف و منافع متضاد کاربران سرویس های ابری و مهاجمین، تصمیم گیری فراهم کنندگان سرویس های ابری در خصوص سرمایه گذاری روی ماژول های امنیتی سرورهای ابری را دشوار می سازد. لذا در این مقاله، با استفاده از تیوری بازی راه حل مناسبی برای تصمیم گیری در خصوص سرمایه گذاری روی یکی از ماژول های امنیتی برای هر یک از بازیگران ارایه می شود. همچنین با استفاده از مدل بازی تکرار شونده، کلیه تعادل های نش نیز استخراج و تحلیل شده است. نتایج نشان می دهد که تیوری بازی می تواند به خوبی در اتخاذ تصمیم مناسب و یافتن تعادل مناسب برای تصمیم گیری در مورد سرمایه گذاری در حوزه امنیت کاربردی باشد. بر اساس نتایج شبیه سازی، می توان گفت که در بازی های تکرار شونده با احتمال تکرار بازی بین 2/0 تا 8/0، استراتژی های از پیش تعیین شده سرمایه گذاری یا عدم سرمایه گذاری می تواند منجر به یک تعادل نش مناسب شده و حداکثر منافع برای کاربران سرویس های ابری را در پی داشته باشد.کلید واژگان: رایانش ابری, امنیت, نظریه بازی, تعادل نش, بازی تکرارشونده}Today, the many benefits of cloud computing have led many businesses, large and small, to use cloud services to reduce their costs. In the meantime, there are some barriers to using cloud services, one of the biggest of which is security attacks affected by the supervisor. When a direct attack on a user is carried out on a supervisor, it may also indirectly attack other users' virtual machines. Meanwhile, the conflicting goals and interests of cloud service users and attackers make it difficult for cloud service providers to decide to invest in cloud server security modules. Therefore, in this article, using game theory, a suitable solution for deciding to invest in one of the security modules for each of the actors is presented. Also, using the iterative game model, all Nash equilibria have been extracted and analyzed. The results show that game theory can be well used in making the right decision and finding the right balance to make decisions about investing in the field of applied security. Based on the simulation results, it can be said that in repetitive games with a probability of repeating the game between 0.2 and 0.8, predetermined investment strategies or non-investment can lead to an appropriate Nash equilibrium and Pursue maximum benefits for cloud service users.Keywords: Cloud Computing, Security, Game Theory, Nash Equilibrium, Repeated Game}
-
رایانش ابری برپایه روش پرداخت به ازای مصرف، نوع جدیدی از پردازش را برای کاربران فراهم می نماید تا منابع مورد نیاز برنامه های کاربردی و سیستم ها را در سطوح مختلف تخصیص دهد. از اینرو تخصیص منابع در رایانش ابری، بسیار مهم می باشد. در این پژوهش، الگوریتمی برای تخصیص منابع برپایه منطق فازی ارایه شده است. میزان بهره وری منابع، رضایت کاربران و سود فراهم کنندگان سرویس به عنوان پارامترهای هدف در ارزیابی این الگوریتم در نظر گرفته شده اند. درمرحله اول تعداد 100 درخواست در بین 9 ماشین فیزیکی توزیع شده اند و توسط الگوریتم فازی تخصیص منابع انجام شده است. 95 درصد درخواست ها پاسخ داده شده و بهره وری منابع نیز 61.61 درصد حاصل شده است. در مرحله بعد با ترکیب الگوریتم فازی با PSO، عملیات تخصیص منابع به درخواست ها انجام شده است. مقایسه نتایج نشان می دهد که بهره وری ماشین های فیزیکی در الگوریتم ترکیبی فازی و PSO به میزان 0.5 درصد بهبود یافته است. همچنین در الگوریتم ترکیبی، یک درصد پاسخ گویی به درخواست های کاربران ارتقاء یافته است که سود بیشتر فراهم کنندگان سرویس و رضایت بیشتر مشتریان را سبب می شود.
کلید واژگان: رایانش ابری, تخصیص منایع, منطق فازی, الگوریتم بهینه سازی ازدحام ذرات (PSO), بهره وری منابع}Journal of Iranian Association of Electrical and Electronics Engineers, Volume:20 Issue: 1, 2023, PP 43 -49Cloud computing gives a large quantity of processing possibilities and heterogeneous resources, meeting the prerequisites of numerous applications at diverse levels. Therefore, resource allocation is vital in cloud computing. Resource allocation is a technique that resources such as CPU, RAM, and disk in cloud data centers are divided among cloud users. The resource utilization, cloud service provider profit, and user satisfaction are the common objectives of the proposed algorithms. In this study, the algorithm is based on fuzzy logic and tries to achieve better results than other resource allocation algorithms by using meta-heuristic methods. After designing the preliminary fuzzy inference system (FIS), the use of meta-heuristic algorithms is ended up tuning the FIS parameters. By adjusting the parameters, membership functions are improved and finally a trained FIS is delivered. PSO has been used to train the fuzzy system. The fuzzy resource allocation algorithm responded 95% of the requests and achieved 61.61% of the resource efficiency, while the fuzzy-PSO algorithm answered 96% of the requests and improved the resource utilization by 0.5%. The results have shown that the application of PSO improves fuzzy resource allocation efficiency. More requests are answered and it increases resource utilization.
Keywords: Cloud Computing, Resource Allocation, Fuzzy Logic, Particle Swarm Optimization (PSO), Resource Utilization} -
شبکه عصبی چندجمله‌ای (PNN) یک الگوریتم یادگیری بانظارت و از محبوب‌ترین مدل‌های مورد استفاده در کاربردهای واقعی است. هرچه شبکه عصبی چندجمله‌ای از نظر تعداد توصیفات جزیی (PDها) و لایه‌ها ساختار پیچیده‌تری داشته باشد، نیاز به زمان و حجم بیشتری برای محاسبه و ذخیره‌سازی دارد. در این تحقیق رویکرد جدیدی در زمینه بهبود کارایی طبقه‌بند شبکه عصبی چندجمله‌ای با استفاده از الگوریتم بهینه‌سازی نهنگ (WOA) به نام PNN-WOA پیشنهاد شده که علاوه بر افزایش دقت PNN، زمان و حجم محاسبات قابل تحملی دارد. در رویکرد پیشنهادی، PDها بر اساس ترکیب دوبه‌دوی ویژگی‌ها از نمونه‌های آموزشی در لایه اول تولید می‌شوند. مجموعه‌ای از PDهای تولیدشده در لایه اول، متغیرهای ورودی و بایاس، عصب‌های لایه دوم را تشکیل می‌دهند. در نهایت خروجی شبکه عصبی چندجمله‌ای، توسط مجموع وزن‌دهی شده خروجی‌های لایه دوم به دست می‌آید. با استفاده از الگوریتم بهینه‌سازی نهنگ (WOA) بهترین بردار ضرایب وزن‌دهی به گونه‌ای که شبکه PNN بیشترین دقت طبقه‌بندی را داشته باشد، به دست می‌آید. برای ارزیابی روش PNN-WOA از یازده مجموعه داده موجود در پایگاه داده UCI استفاده شد. نتایج نشان می‌دهند که PNN-WOA در مقایسه با روش‌های پیشین از قبیل PNN-RCGA، PNN-MOPPSO، RCPNN-PSO و S-TWSVM عملکرد مناسبی دارد. همچنین نتایج آزمون آماری فریدمن نشان می‌دهند که در مجموع، روش پیشنهادی PNN-WOA نسبت به سایر روش‌های مقایسه‌شده، از نظر آماری عملکرد بهتری (با مقدار P برابر 039/0) داشته است.
کلید واژگان: الگوریتم های فرااکتشافی, رایانش ابری, زنجیره مارکوف جاذب, کاهش مصرف انرژی}Polynomial neural network (PNN) is a supervised learning algorithm which is one of the most popular models used in real applications. The architectural complexity of polynomial neural network in terms of both number of partial descriptions (PDs) and number of layers, leads to more computation time and more storage space requirement. In general, it can be said that the architecture of the polynomial neural networks is very complex and it requires large memory and computation time. In this research, a novel approach has been proposed to improve the classification performance of a polynomial neural network using the Whale Optimization Algorithm (PNN-WOA). In this approach, the PDs are generated at the first layer based on the combination of two features. The second layer nodes consists of PDs generated in the first layer, input variables and bias. Finally, the polynomial neural network output is obtained by sum of weighted values of the second layer outputs. Using the Whale Optimization Algorithm (WOA), the best vector of weighting coefficients will be obtained in such a way that the PNN network reach to the highest classification accuracy. Eleven different dataset from UCI database has been used as input data of proposed PNN-WOA and the results has been presented. The proposed method outperforms state-of-the-art approaches such as PNN-RCGA, PNN-MOPPSO, RCPNN-PSO and S-TWSVM in most cases. For datasets, an improvement of accuracy between 0.18% and 10.33% can be seen. Also, the results of the Friedman test indicate the statistical superiority of the proposed PNN-WOA model compared to other methods with p value of 0.039.
Keywords: Polynomial Neural, NetworkWale Optimization, AlgorithmPartial, DescriptionClassification} -
استفاده از راهکارهای آگاه از انرژی از موضوعات مهم تحقیقاتی در حوزه رایانش ابری است. با کاربرد موثر الگوریتمهای جایگذاری و تجمیع ماشینهای مجازی، تامین‌کنندگان ابر قادر خواهند بود مصرف انرژی را کاهش دهند. در این مقاله مدل جدیدی ارایه شده که با بهبود در الگوریتم‌ها و ارایه روش‌های مناسب، به دنبال رسیدن به نتایج مطلوب است. نظارت دوره‌ای بر وضعیت منابع، تحلیل مناسب داده‌های به دست آمده و پیش‌بینی وضعیت بحرانی سرورها به کمک مدل مارکوف پیشنهادی سبب شده است که تا حد امکان از تعداد مهاجرت‌های غیر ضروری کاسته شود. ترکیب الگوریتمهای ژنتیک و شبیه‌سازی تبرید در بخش جایگزینی در کنار تعریف زنجیره مارکوف جاذب باعث عملکرد بهتر و سریع‌تر الگوریتم پیشنهادی گردیده است. شبیه‌سازی‌های انجام‌شده در سناریوهای مختلف در کلودسیم نشان می‌دهد که در مقایسه با بهترین الگوریتم مورد مقایسه قرار گرفته، در بار کم، متوسط و زیاد، مصرف انرژی کاهش قابل توجهی داشته و این در حالی است که نقض توافقات سطح سرویس‌دهی نیز به طور متوسط 17 درصد کاهش یافته است.
کلید واژگان: الگوریتم های فرااکتشافی, رایانش ابری, زنجیره مارکوف جاذب, کاهش مصرف انرژی}The use of energy-conscious solutions is one of the important research topics in the field of cloud computing. By effectively using virtual machine placement and aggregation algorithms, cloud suppliers will be able to reduce energy consumption. In this paper, a new model is presented that seeks to achieve the desired results by improving the algorithms and providing appropriate methods. Periodic monitoring of resource status, proper analysis of the data obtained, and prediction of the critical state of the servers using the proposed Markov model have reduced the number of unnecessary migrations as much as possible. The combination of genetic algorithm and simulated annealing in the replacement section along with the definition of the adsorbent Markov chain has resulted in better and faster performance of the proposed algorithm. Simulations performed in different scenarios in CloudSim show that compared to the best algorithm compared, at low, medium and high load, energy consumption has decreased significantly. Violations of service level agreements also fell by an average of 17 percent.
Keywords: Meta heuristic algorithms, cloud computing, absorbing Markov chain, energy consumption} -
محاسبات ابری بسیاری از ارایهدهندگان برنامه‌ها را به سمت استقرار برنامه‌های تحت وب بر روی محیط‌های ابری جذب می‌کند. در مقایسه با روش‌های سنتی، رایانش ابری به کاهش هزینه‌ها کمک می‌کند. کاربران محیط‌های ابری می‌توانند در یک بازه زمانی مشخص، تعدادی ماشین مجازی را راه‌اندازی کنند و فقط به اندازه‌ای که از منابع استفاده می‌کنند هزینه پرداخت کنند، که این امر موجب کاهش هزینه‌های تهیه سخت افزارهای حقیقی و پیچیده می‌شود. از آنجایی که میزان درخواست‌ها از برنامه‌های وب در زمان‌های مختلف متفاوت است، تعیین مقدار مناسب منابع ابری مورد نیاز اغلب دشوار است و یکی از چالش‌های مهم در رایانش ابری خواهد بود. گرچه راه‌حل‌های مختلفی برای مدیریت تامین منابع ارایه شده‌است، برای مدیریت موثرتر سیستم‌های ذخیره‌سازی مبتنی بر ابر نیاز به روش‌های جدیدتری است. بر این اساس، این کار پژوهشی یک روش پویای مبتنی بر منطق فازی را برای بهبود عملکرد تامین منابع در سیستم‌های ذخیره‌سازی مبتنی بر ابر ارایه می‌کند. نتایج مقایسه رهیافت پیشنهادی با روش‌های دیگر نشان دهنده عملکرد مثبت این روش در کاهش زمان پاسخگویی به درخواست کاربران و مقدار CPU مصرفی در مرکز داده است.
کلید واژگان: مقیاس پذیری خودکار, رایانش ابری, استنباط فازی, مدل حلقه OODA} -
جریان های کاری یک مدل عمومی برای توصیف دامنه وسیعی از برنامه های کاربردی در سیستم های توزیع شده هستند. با توجه به قدرت محاسباتی رایانش ابری، از آن به طور گسترده برای حل جریان های کاری بزرگ استفاده می شود. زمانبندی جریان کاری در ابر در واقع یافتن منبع مناسب برای هر کار در جریان کاری به منظور ارضای برخی معیارهای کارایی مانند زمان اجرا و هزینه است. از آنجایی که زمانبندی یک مسئله زمان چندجمله ای غیرقطعی سخت (NP-complete) است، بسیاری از روش های ابتکاری برای سیستم های توزیع شده همگن و ناهمگن ارایه شده اند. مسیر بحرانی طولانی ترین مسیر یک جریان کاری است و زمان اجرای کلی جریان کاری به آن وابسته است. در واقع تاخیر در کارهای مسیر بحرانی می تواند زمان خاتمه جریان کاری را با تاخیر مواجه کرده و زمان انقضای جریان کاری را نقض کند. بر همین اساس در این مقاله، ما یک الگوریتم ابتکاری موازی برای زمانبندی جریان کاری مبتنی بر کیفیت سرویس ارایه می کنیم. تابع هدف این الگوریتم یک زمانبندی ایجاد می کند که هزینه اجرای یک جریان کاری را کمینه کرده، در حالی که زمان انقضای جریان کاری را نیز ارضا می کند. با اختصاص یک شبه مشبکه به هر زیرجریان کاری، زمان آغاز و پایان هر وظیفه و همچنین منبع مناسب برای آن مشخص می شود. نتایج حاصل از شبیه سازی بر روی جریان های کاری واقعی Montage و LIGO نشان می دهد که روش پیشنهادی در مقایسه با الگوریتم IC-PCP به میزان 5/5 درصد و نسبت به IC-PCPD2 به میزان 11 درصد هزینه را کاهش داده است.
کلید واژگان: زمانبندی جریان کاری, رایانش ابری, مسیر بحرانی, مجموعه مرتب جزئی, مشبکه}Soft Computing Journal, Volume:9 Issue: 2, 2022, PP 114 -129Workflow is a common model for describing a wide range of applications in distributed systems. Due to the computing power of cloud computing, it has been widely applied to solve large workflows. Cloud workflow scheduling aims to find the most suitable resources for each task of a workflow to meet certain performance metrics, such as execution time and cost. Since scheduling is a well-known NP-complete problem, many heuristic approaches have been proposed for homogeneous and heterogeneous distributed systems. The longest path of a workflow is called the critical path that the entire workflowchr('39')s completion time depends on this path. In fact, delays in the execution of critical path tasks can delay the workflowchr('39')s completion time and violate the deadline of it. Hence, in this paper, we present a parallel heuristic algorithm for workflow scheduling to satisfy the quality of service parameters, called Critical Paths-based scheduling using Lattice algebra (CPL). The proposed approachchr('39')s objective is to create a schedule that minimizes the cost of a workflow while it satisfies the workflow deadline. By assigning a semi-lattice to each sub-workflow, the start and end time of its tasks and the appropriate resources for them are determined. The simulation results on the Montage and LIGO workflows show that the proposed approach reduces the cost by 5.5% compared to IC-PCP and by 11% compared to IC-PCPD2.
Keywords: Workflow Scheduling, Cloud Computing, Critical Path, Partial Order Set, Lattice} -
در حال حاضر رایانش ابری با توجه به کاربردهای وسیع و فراگیر از اهمیت زیادی برخوردار است. گستردگی و انعطاف پذیری قابل توجه رایانش ابری در کنار سایر محاسن، باعث شده است تا زمینه ایجاد چالش های جدید از جمله قابلیت اطمینان فراهم گردد. این نوع از چالش ها بدلیل وجود کاربران زیاد، در میان پژوهشگران این حیطه از اهمیت بیشتری برخوردار است. برای حل این مسئله در سال های اخیر محققان زیادی به ارایه انواع الگوریتم های تحمل پذیری خطا در رایانش ابری پرداخته اند؛ اما علیرغم تلاش های فراوان، متاسفانه مشکلات موجود در این زمینه بصورت کامل برطرف نشده است. هدف این مقاله ارایه یک الگوریتم ترکیبی کارآمد و جدید با بهره گیری از خواص ماشین بردار پشتیبان و پروتکل گوسیپ است؛ باید توجه داشت که الگوریتم ماشین بردار پشتیبان برای تجزیه و تحلیل داده های ماشین های مجازی و دسته بندی آنها براساس الگوهای رفتاری عمل می کند. همچنین، پروتکل گوسیپ برای جمع آوری داده ها و نظارت بر هر دسته استفاده شده است. در این مدل پیشنهادی سه فاکتور زمان پردازش، میزان بار و قابلیت اطمینان به منظور دستیابی به کیفیت سرویس بهتر مورد ارزیابی قرار می گیرد. نتایج شبیه سازی انجام گرفته در کلودسیم نشان می دهد که روش پیشنهادی می تواند متوسط سرعت پردازش را به میزان 65/0 افزایش و به تناسب آن متوسط طول زمانبندی را 22/7 ثانیه کاهش دهد.کلید واژگان: رایانش ابری, ماشین بردار پشتیبان, پروتکل گوسیپ, قابلیت اطمینان, زمان پردازش}Nowadays, Cloud computing is very important due to its widespread use. Significant cloud computing expansively and flexibility, along with other benefits cause to be a background of creating reliability challenges and this kind of challenge is felt more because of the numerous users. To solve this challenge in recent years, many researchers have provided a variety of fault tolerance algorithms to deal with and fix faults in cloud computing, but despite many efforts, unfortunately, it has not been able to solve all the problems. The purpose of this paper is to present an efficient and new hybrid combination using special SVM; at first with using SVM virtual machines are separated and categorized based on their behavior patterns, and then using the Gossip Protocol, the operation of the case for each group and cluster is based on behavioral patterns and in order to achieve QOS it is better to predict. Conclusion of performed simulation in Cloudsim shows that recommended method increases processing speed around 0.65, and makespan is reduced at 7.22s by new method than similarity methods.Keywords: Cload computing, Support Vector Machine, Gossip, Reliability, process time}
-
در دهه اخیر رایانش ابری مورد توجه بسیاری از ارایهدهندگان و استفاده‌کنندگان فناوری اطلاعات قرار گرفته است. یکی از مدل‌های پرکاربرد ارایه خدمات در حوزه رایانش ابری، مدل نرم‌افزار به‌عنوان خدمت بوده که معمولا به‌صورت ترکیبی از مولفه‌های داده و برنامه ارایه می‌شوند. یکی از چالش‌های مهم در این حوزه، یافتن مکان بهینه برای مولفه‌های نرم‌افزاری بر روی زیرساخت‌های ابری است که در آن نرم‌افزار به‌عنوان خدمت بتواند بهترین عملکرد ممکن را داشته باشد. مسئله جایابی نرم‌افزار به‌عنوان خدمت به چالش تعیین این‌که کدام سرویس‌دهنده‌ها در مرکز داده ابر، بدون نقض محدودیت‌های نرم‌افزار به‌عنوان خدمت، می‌توانند میزبان کدام مولفه‌ها باشند اشاره دارد. در این مقاله، راهکار بهینه‌سازی چند هدفه با هدف کاهش هزینه و زمان اجرا جهت جایابی مولفه‌های در محیط‌های ابری را ارایه می‌دهیم. راهکار پیشنهادی خود را با استفاده از کتابخانه Cloudsim شبیه‌سازی کرده و در نهایت با دو الگوریتم ازدحام ذرات چندهدفه و فاخته مورد ارزیابی و مقایسه قرار دادیم. نتایج شبیه‌سازی نشان می‌دهد که راهکار پیشنهادی عملکرد بهتری نسبت به دو الگوریتم پایه داشته و موجب کاهش 4/9درصدی زمان اجرای جایابی مولفه‌های نرم‌افزار به‌عنوان خدمت،کاهش 1/7درصدی هزینه و افزایش 15درصدی بهره وری می‌گردد.
کلید واژگان: رایانش ابری, نرم افزار به عنوان خدمت, جایابی مولفه های نرم افزاری} -
در عصر حاضر، صنعت رایانش ابری به یک زنجیره تامین جدید بین ارایهدهندگان سرویس محاسباتی و درخواست‌دهندگان سرویس تبدیل شده است. برای این منظور، مراکز داده‌ای ابر به طور گسترده از تکنولوژی مجازی‌سازی استفاده می‌کنند که به طور بالقوه قابلیت افزایش بهره‌وری منابع محاسباتی در سطح زیرساخت ابر را فراهم می‌کند. طرح‌های ناکارامد جایگذاری ماشینهای مجازی منجر به کاهش بهره‌وری سیستم، افزایش هدررفت منابع و در نتیجه مصرف بالای انرژی در مراکز داده‌ای ابر می‌شوند. بنابراین، این مقاله مسئله جایگذاری ماشینهای مجازی روی ماشینهای فیزیکی مرکز داده‌ای ابر را به یک مسئله بهینه‌سازی چندهدفه با رویکرد کمینه‌سازی دو هدف مصرف انرژی و هدررفت منابع فرمول‌بندی می‌کند که از لحاظ محاسباتی در رده مسایل NP-hard قرار دارد. از آنجایی که اکثر الگوریتمهای فراابتکاری برای حل مسایل بهینه‌سازی پیوسته طراحی شده‌اند و نیز کیفیت راه حل آنها با خطر گیرافتادن در بهینه محلی تهدید می‌شود، برای حل این مسئله ترکیبی و پیچیده، یک الگوریتم بهینه‌سازی مبتنی بر تبرید فلزات متناسب با فضای جستجوی گسسته تعریف‌شده در مسیله، توسعه داده می‌شود تا امکان گیرافتادن در بهینه محلی را کاهش دهد. جهت اعتبارسنجی روش پیشنهادی، سناریوهای مختلفی معرفی و هدایت می‌شوند. نتایج به دست آمده از شبیه‌سازی در سناریوهای مختلف، برتری روش پیشنهادی را نسبت به سایر روش‌های موجود از لحاظ کاهش مصرف انرژی، هدررفت منابع و تعداد سرویس‌دهنده‌های فعال نشان می‌دهد.
کلید واژگان: رایانش ابری, مجازی سازی, جایگذاری ماشین مجازی, تبرید فلزات}Nowadays, cloud computing industry has been transformed to a new supply chain between cloud service providers and service requesters. To this end, cloud service provisioning in datacenters is procured via virtualization platforms in which it can potentially increase the utilization of computing resources at infrastructure level. Inefficient virtual machine placement (VMP) schemes lead lower system utilization, increase of resource dissipation, and high rate of power consumption. Therefore, this paper formulates VMP problem on physical machines of cloud datacenters to a multi-objective optimization problem with minimization of both power consumption and resource dissipation perspectives which is computationally NP-Hard. Since the most meta-heuristic algorithms are designed for continuous optimization problems and are also susceptible to get stuck in local optimum, to figure out this combinatorial problem an optimization algorithm based on simulated annealing algorithm commensurate with discrete search space of stated problem is extended, so that the possibility of getting stuck in local optimum is reduced. To validate the proposed approach, several scenarios are introduced and conducted. Reported results from simulation of different scenarios show that the proposed approach outperforms against other existing approaches in terms of reduction in power consumption, resource dissipation, and the number of active server in use.
Keywords: Cloud computing, virtualization, VMP, simulated annealing, multi-objective algorithm} -
امروزه رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری، موجب افزایش مصرف انرژی در مراکز داده شده است. محاسبات ابری سبز برای جلوگیری از افزایش مصرف انرژی مراکز داده بیان شده است. یکی از راهکارهای کاهش مصرف انرژی در سیستم های پردازش ابری، استفاده از روش های تجمیع سرویس ها است. روش های تجمیع موجود با مهاجرت های غیر ضروری، عدم تعادل بار کاری میزبان ها و نادیده گرفتن ارتباط بین سرویس ها ممکن است باعث کاهش کیفیت سرویس و افزایش مصرف انرژی شود. لذا در این تحقیق با مهاجرت دادن سرویس های ضروری بر اساس اولویت (شامل تعداد فرزندان، سطح و هزینه ارتباطی هر سرویس)، از میزبان هایی که بارکاری خیلی زیاد و یا خیلی کم دارند (که موجب مصرف انرژی زیادی می شوند) به میزبان هایی که حاوی سرویس های همکار هستند، بهره وری منابع موجود مرکز داده بهبود یافته و مصرف انرژی کاهش می یابد. مهاجرت زنده سرویس ها بر اساس اولویت و به حداقل رساندن تعداد مهاجرت ها با هدف کاهش مصرف انرژی، کاهش زمان پاسخ و افزایش کارایی سیستم می باشد. با بررسی و مقایسه روش پیشنهادی با روش های دیگر، بهبود 37/10 درصدی در کاهش مصرف انرژی در مراکز داده ابری، 18/11 درصدی در کاهش تعداد مهاجرت سرویس ها و 46/1 درصدی در افزایش تعداد میزبان هایی که خاموش شده اند، مشاهده می شود.
کلید واژگان: رایانش ابری, سرویس های همکار, کاهش مصرف انرژی, مهاجرت زنده سرویس ها}Today, the rapid growth in cloud computing resources usage has increased energy consumption in data centers. Green cloud computing goal is to decrease the energy consumption of data centers. In the meantime, service aggregation is a good method to reduce energy consumption in these systems. Existing aggregation methods with unnecessary migration, the unbalanced workload of hosts, and ignoring the relationship between services may reduce the quality of service and increase energy consumption. Therefore, in this study, by migrating the necessary services based on priority (including the number of children, the level and communication cost of each service), from hosts with the unbalanced workload to hosts that contain partner services, the productivity of available resources is improved and the energy consumption is decreased. Live services migration based on prioritizing and minimizing the number of migrations can also lead to response time decrease and system efficiency increase. The proposed method can lead to an 11.79% decrease in energy consumption, a 12.15% reduction in the number of service migrations, and a 1.55% increase in the number of hosts that have been shut down.
Keywords: Cloud computing, partner services, energy reduction, live migration of services} -
رایانش ابری یک فناوری نوظهور و در حال رشد است که به طور گسترده برای ارایه محاسبات، خدمات ذخیره سازی و سایر منابع از طریق اینترنت استفاده می شود. در دسترس بودن سرویس های ابری یکی از مهمترین نگرانی های ارایه دهندگان خدمات ابری است. در حالی که سرویس های ابری عمدتا از طریق اینترنت منتقل می شوند، مستعد حملات مختلفی هستند که منجر به درز اطلاعات حساس شود. حمله DDoS به عنوان یکی از مهمترین تهدیدات امنیتی برای محیط رایانش ابری شناخته می شود. این حمله تلاشی صریح توسط یک مهاجم برای جلوگیری و عدم دسترسی به خدمات یا منابع مشترک در یک محیط ابری است. در این مقاله رویکردی ترکیبی برای مقابله با حمله DDoS در محیط رایانش ابری مورد بحث قرار گرفته است. این روش اهمیت روش های مبتنی بر انتخاب ویژگی های موثر و مدل های دسته بندی را برجسته می کند. در اینجا، رویکردی بر مبنای آنتروپی و بهینه سازی ازدحام ذرات برای مقابله با این حملات در محیط رایانش ابری ارایه می شود. دسته بندی داده های با ابعاد بالا معمولا به انتخاب ویژگی به عنوان یک مرحله قبل از پردازش برای کاهش ابعاد نیاز دارد. با این حال، انتخاب ویژگی های موثر یک کار چالش برانگیز است که در این مقاله از بهینه سازی ازدحام ذرات برای اینکار استفاده می شود. در اینجا، مدل دسته بندی پیشنهادی بر مبنای استفاده از ساختمان داده درخت جستجوی دودویی متوازن و دیکشنری توسعه یافته است. شبیه سازی براساس مجموعه داده های NSL-KDD و CICDDoS2019 انجام شده که نتایج برتری روش پیشنهادی را با میانگین دقت تشخیص 99.84% نسبت به الگوریتم-های AGA و E-SVM اثبات می کند.کلید واژگان: رایانش ابری, تشخیص حملات, آنتروپی, بهینه سازی ازدحام ذرات, حمله DDoS}Cloud computing is an emerging technology that is widely used to provide computing, data storage services and other remote resources over the Internet. Availability of cloud services is one of the most important concerns of cloud service providers. While cloud services are mainly transmitted over the Internet, they are prone to various attacks that may lead to the leakage of sensitive information. Distributed DDoS attack is known as one of the most important security threats to the cloud computing environment. This attack is an explicit attempt by an attacker to block or deny access to shared services or resources in a cloud environment. This paper discusses a hybrid approach to dealing with DDoS attack in the cloud computing environment. This method highlights the importance of effective feature-based selection methods and classification models. Here, an entropy-based approach and particle swarm optimization to counter these attacks in a cloud computing environment is presented. Classification on high-dimensional data typically requires feature selection as a pre-processing step to reduce the dimensionality. However, effective features selecting is a challenging task, which in this paper uses particle swarm optimization. Here, the proposed classification model is developed based on the use of a balanced binary search tree and dictionary data structure. The simulation is based on the NSL-KDD and CICDDoS2019 datasets, which prove the superiority of the proposed method with an average detection accuracy of 99.84% over the AGA and E-SVM algorithms.Keywords: cloud computing, Attack detection, Entropy, particle swarm optimization}
-
در سال های اخیر رویکرد برون سپاری پایگاه داده و انتقال زیرساخت ها در رایانش ابری از طرف سازمان ها و کاربران مورد توجه فراوان قرار گرفته است. مالکان پایگاه داده به ارایه دهند گان سرویس و تامین کنندگان زیرساخت از نظر صحت نگه داری و دسترس پذیری، اطمینان دارند، و نگرانی اصلی آنها به جهت حفظ محرمانگی اطلاعات هستند. بنابراین، پایگاه داده ها را به صورت رمزشده در سرورهای ابری ذخیره می کنند. گرچه طرح های رمزگذاری قابل جستجو موجود به کاربر اجازه می دهد تا داده های رمزنگاری شده را با قابلیت اطمینان بالا جستجو و بازیابی کنند، به تنهایی قابل اعتماد نیستند. زیرا ممکن است سرور ابری برای حفظ قابلیت محاسباتی و یا صرفه جویی در پهنای باند خود، فقط بخشی از جستجو را انجام دهد و نتایج جستجو را صحیح در اختیار کاربر قرار ندهد. طرح های قابل تصدیق به طور کلی از یک الگوریتم مستقل برای تصدیق علاوه بر الگوریتم های مورد نیاز محرمانگی استفاده می کنند که باعث افزایش حجم پردازش می گردد. در این مقاله ما یک طرح جستجوی کلیدواژه فازی قابل تصدیق بر روی پایگاه داده رمزشده، ارایه می کنیم که رمزنگاری و تصدیق نتایج آن با استفاده از روش الگوریتم رمزنگاری توام با احراز اصالت، انجام می گیرد. آزمایشات صورت گرفته بر روی مجموعه داده های مختلف نشان می دهد که طرح پیشنهادی علاوه بر کاهش حجم فراداده های ذخیره شده، کاهش بار محاسباتی و افزایش سرعت جستجوی فازی، نتایج بازگشتی از سرور ابری را تصدیق کرده و در کاهش هزینه ها هم موثر است. هم چنین طرح پیشنهادی در مقابل تهدیدات در نظر گرفته امن بوده و نتایج را به صورت صحیح و کارآمد بازیابی می کند.کلید واژگان: رایانش ابری, برون سپاری پایگاه داده, رمزنگاری قابل جستجو, جستجوی فازی, رمزنگاری توام با احراز اصالت}Recently, the approach of outsourcing database and infrastructure transfer in cloud computing has received a lot of attention from organizations and users. Database owners are trusted by service providers and infrastructure providers in terms of maintainability and accessibility, but are concerned about the confidentiality of information. Therefore, they encrypt the database on cloud servers. The main challenge is to search and retrieve the encrypted database. Although existing searchable encryption schemes allow the user to search and retrieve encrypted data with high reliability, most of these solutions cannot verify the search result. Because the cloud server may only perform part of the search to maintain computing capability or save bandwidth, it may not provide the user with complete and accurate search results. Various searchable encryption schemes that verify and confirm the return results are presented. These schemes usually use a separate method in addition to the algorithms required for confidentiality that increase the processing volume. In this paper, we present a clustered fuzzy keyword search scheme validated on the encrypted database that encrypts and verifies its results using the Authenticated Encryption method. In addition to reducing the volume of stored metadata, reducing the computational burden and increasing the speed of fuzzy search, the proposed scheme acknowledges the return results of the cloud server and is also effective in reducing costs. The proposed plan is safe against the threats considered and retrieves the results correctly and efficiently.Keywords: Cloud computing, Database outsourcing, Searchable encryption, Fuzzy Search, Authenticated Encryption}
-
تامین منابع برنامه‌های کاربردی چندلایه در محیط‌های ابری با یکسری چالش‌ها روبروست. که شامل کسر تامین، اضافه تامین و نوسان است. در این مقاله برای مرتفع کردن چالش‌های مطرح‌شده همچنین بهینه‌سازی زمانبندی درخواست‌های کاربران و پاسخ‌دهی به آنها، تقلیل مشکل تخطی از سرویس، به ارایه رویکردی بهبود یافته مبتنی بر یادگیری ماشین با بهره‌گیری از حلقه "MAPE" می‌پردازیم. در مرحله تحلیل این حلقه از مدل رگرسیون خطی(LRM) و در مرحله برنامه‌ریزی، از روش مبتنی بر نظریه بیز به منظور بهینه نمودن اقدامات استفاده شده است. سپس رویکرد پیشنهادی خود را تحت بار کاری واقعی FIFA با روش‌های Stat-RA و DPM-RA مقایسه نموده‌ایم که راهکار ارایه شده نسبت به راهکارهای پیشین، منجر به افزایش تعداد ماشینهای مجازی به میزان 10 درصد با بهبود نرخ مقیاس‌بندی، کاهش 8 درصدی میانگین بهره‌وری، کاهش 3 درصدی زمان پاسخ‌دهی، در نتیجه کاهش 5 درصدی هزینه تمام شده و افزایش 1 درصدی سود حاصل شده است.
کلید واژگان: رایانش ابری, برنامه های چندلایه, مقیاس پذیری, رگرسیون خطی, نظریۀ بیزم} -
امروزه، پردازش داده های مراقبت های بهداشتی رسانه های بزرگ در ابر به راه حلی موثر برای برآورده کردن تقاضاهای کیفیت سرویس کاربران پزشکی تبدیل شده است. اما فراهم ساختن مراقبت های بهداشتی برای جامعه فعالیتی پیچیده است که شدیدا متکی بر پردازش اطلاعات است و پردازش داده های حوزه سلامت می تواند برای سازمان ها بسیار هزینه بر باشد. بر همین اساس امروزه، پردازش داده های حوزه سلامت رسانه های بزرگ در ابر به راه حلی موثر جهت مرتفع سازی تقاضاهای کیفیت سرویس کاربران حوزه بهداشت و سلامت تبدیل شده است. بر همین اساس در این مقاله، یک راهکار فازی برای تعیین ابر بهینه با استفاده از تکنیک پیش بینی منابع ارایه می شود. همچنین به منظور ایجاد توازن در حین پردازش وظایف از تکنیک مهاجرت ماشین مجازی مبتنی بر انتخابگر فازی جهت انتقال ماشین مجازی از یک سرور با بار زیاد به یک سرور کم بار استفاده می شود. ساختار معماری پیشنهادی شامل دو بخش محلی و سراسری است که برای تحویل درخواست به قسمت سراسری باید ابتدا قسمت محلی بررسی گردد، در صورت نداشتن شرایط، درخواست به قسمت سراسری تحویل داده می شود. در واقع معماری پیشنهادی به صورت سلسه مراتبی عمل می کند و در ابتدا لیست درخواست های رسیده ایجاد می گردد سپس با استفاده از راهکار پیشنهادی، میزان منابع موجود تخمین زده می شود و بر اساس آن، تخصیص منبع جهت پردازش انجام می گیرد. جهت ارزیابی از شبیه ساز Cloudsim استفاده شده است و با توجه به پارامترهای مختلف، راهکار پیشنهادی با الگوریتم های FAHP و ICA-K-Means مورد مقایسه قرار گرفته است. نتایج حاصل از شبیه سازی نشان می دهد که راهکار پیشنهادی در مقایسه با الگوریتم FAHP به میزان 10درصد و نسبت به ICA-K-Means به میزان 12درصد کاهش هزینه بوجود آمده است. همچنین تعداد درخواست های رد شده نیز به همین صورت و به نسبت الگوریتم FAHP به میزان 8 درصد و نهایتا در مقایسه با ICA-K-Means به میزان 7درصد افزایش بهره وری منابع بوجود آمده است.
کلید واژگان: تخصیص منابع, رایانش ابری, کنفدراسیون ابر, کیفیت خدمات, انتخابگر فازی, داده های حوزه سلامت}Nowadays, processing large-media healthcare data in the cloud has become an effective way of satisfying the medical userschr('39') QoS (quality of service) demands. Providing healthcare for the community is a complex activity that relies heavily on information processing. Such processing can be very costly for organizations. However, processing healthcare data in cloud has become an effective solution to meet QoS demands of health users. In this paper, a fuzzy-based solution is presented for determining the optimal cloud using resource prediction technique. Besides, to make balance during the processing of tasks, based on fuzzy selector the virtual machine (VM) migration technique is used to migrate a VM from an overload server to an underload one. The proposed framework consists of two parts, local and global. To deliver the application to the global part, the local part must first be checked. If it is not suitable, the request will be delivered to the global part; indeed, the proposed framework works in a hierarchical manner. At first, a list of received requests is created and then using the proposed solution, the amount of available resources is estimated based on which the requested resources are allocated for processing. We used the Cloudsim toolkit to evaluate the proposed solution under various parameters and results have been compared with those of FAHP and ICA-K-Means algorithms. Compared to FAHP, the simulation results show that the proposed solution benefits from a 10% cost reduction and and a 12% reduction in cost compared to ICA-K-Means. Moreover, compared to FAHP and ICA-K-Means, the proposed method enjoys a reduction in number of rejected requests and an increase of 8% and 7% performance compared to the FAHP and ICA-K-Means, respectively.
Keywords: Resource Allocation, Cloud Computing, Cloud Federation, Quality of Service, Fuzzy Selector, Healthcare Data} -
کشسانی، به عنوان یک از مهم ترین ویژگی هایی محسوب می شود که فناوری رایانش ابری را از دیگر فناوری های رایانش توزیعی، متمایز می کند. این ویژگی، از این حقیقت بهره می گیرد که فرایند تخصیص دهی منابع، به عنوان رویه ای محسوب می شود که می توان آن را به صورت پویا اجرا نمود. ارایه راهکاری کارامد برای بهبود خاصیت کشسانی هم برای ارایه دهندگان و هم برای کاربران سرویس های رایانش ابری مفید و کارآمد واقع خواهد شد. ارایه دهندگان خواهند توانست با راهکاری که در این مقاله طراحی، ارزیابی و توسعه داده خواهد شد، خاصیت کشسانی سرویس های ابری خود را ارزیابی کرده و آن ها را بهبود بخشیده و مزیت کمی یا کیفی خود در رقابت با سایر رقبا را افزایش دهند. در این مقاله، راهکاری ترکیبی برای بهبود خاصیت کشسانی با استفاده مدیریت بافر و مدیریت متمرکز کشسانی ارایه می شود. مدیریت بافر وظیفه کنترل صف ورودی درخواست را به عهده دارد و مدیریت کشسانی با استفاده از یادگیری تقویتی، کنترل خاصیت کشسانی سیستم را به عهده دارد. موثر بودن راهکار پیشنهادی تحت سه بار کاری واقعی Google Cluster، Yahoo Cluster و Wikipedia ارزیابی شده است. نتایج آزمایشات نشان می دهد که راهکار پیشنهادی در مقایسه با دو راهکار CTMC و ControCity موجب کاهش زمان پاسخگویی 15.2 درصد، و افزایش بهره وری به میزان 13.2 درصد و افزایش خاصیت کشسانی را درحد 19.8 درصد نشان می دهد.
کلید واژگان: خاصیت کشسانی, مدیریت بافر, یادگیری تقویتی, رایانش ابری}Elasticity is considered as one of the most important features that distinguishes cloud computing from other distributed system approaches. This feature takes into account the fact that the resource allocation process is considered as a process that can be implemented dynamically. Providing an efficient solution for improving elasticity will be useful for both providers and users of cloud computing services. Using the proposed solution in this paper, providers will be able to evaluate and improve the quality of their services, and increase their qualitative or quantitative advantage in competing with other competitors. In this paper, we present a hybrid solution for improving elasticity through using buffer management and centralized elastic management. Buffer managment controls the input queue of the request and the elastic management by using the reinforcement learning controls the elasticity of the system. Finally, we evaluate the effectiveness of our approach under three real workload traces, namely, Yahoo Cluster, Wikipedia, and Google Cluster workload traces. The experimental results show that the proposed approach reduces the response time by up to 15.2%, and increases the resource utilization by up to 13.2 % and the elasticity by up to 19.8 % compared with the CTMC and ControCity approaches.
Keywords: Elasticity, Buffer Management, reinforcement learning, Cloud computing} -
رایانش ابری، فناوری جدیدی است که روزبه روز بر محبوبیت آن افزوده می شود، این محبوبیت به دلیل خاصیت کشسانی آن است. به عبارت دیگر، رایانش ابری، ظرفیت منابع را برای مصرف کننده به صورت بینهایت در نظر می گیرد و مصرف کننده، می تواند منابع را برحسب تقاضا و بر اساس نرخ رقابتی در اختیار بگیرد و میزان منابع را افزایش یا کاهش دهد. اگرچه راه حل های مختلفی برای مدیریت کشسانی تاکنون توسعه داده شده اند، اما کارهای بیشتری نیاز است تا خاصیت کشسانی ابر را به صورت کاراتر مدیریت نمایند. در این مقاله مدلی برای بهبود خاصیت کشسانی با استفاده از شبکه پتری رنگی برای تامین منابع در شبکه های ابری ارایه می شود. در مدل پیشنهادی مدیریت کشسانی با استفاده شبکه پتری رنگی و در قالب کنترل صف های M/M/N صورت می گیرد. بدین ترتیب که به ازای ورود هر درخواست یا ارایه سرویس در صف حرکت افقی و به ازای نیاز به افزایش یا کاهش ماشین مجازی حرکت عمودی در صف وجود دارد. نتایج عملکرد روش پیشنهادی تحت بار کار واقعی Google cluster بهبود خاصیت کشسانی، افزایش دقت و افزایش سرعت را در مقایسه با رویکردهای مشابه نشان می دهد.
کلید واژگان: خاصیت کشسانی, شبکه پتری رنگی, رایانش ابری}Cloud computing is a new technology which its popularity increases every day, a popularity due to its elasticity. On the other words, cloud computing takes into account an unlimited capacity of the resource for the consumer, and the consumer can take resources in demand based on competitive rates and increase or decrease the amount of resources. There have been many improvements to elasticity management by previous researches. However, further reasearches are necessary to manage elasticity more efficiently. In this paper, a model for the elasticity improvement using a colored Petri network is proposed to provide resources in cloud computing. In the proposed model, elasticity management is performed using a colored Petri net in the form of control of the M/M/N queues. In this way, there is a horizontal queue for each request or service in the vertical queue for the need to increase or decrease the virtual machine. The results of the proposed method show an improvment in elasticity, accuracy and speed, compared with the other approaches.
Keywords: Elasticity, Colored Petri Net, Cloud computing} -
گسترش روز افزون نیازهای محاسباتی، اهمیت استفاده از رایانش ابری را روز به روز بیشتر می کند. رایانش ابری، یک مدل رایانشی بر مبنای شبکه های رایانه ای است که الگویی تازه برای عرضه ی منابع را ارایه می دهد، بگونه ای که کاربران بر اساس نیاز خود، منابع را درخواست نموده یا آن ها را آزاد می سازند. هنگامیکه تقاضاها برای استفاده از منابع رایانشی افزایش می یابند، توزیع مناسب آنها از اهمیت بالایی برخوردار می شود، چراکه اگر یک واحد پردازشی دارای حجم زیادی از وظایف، و واحدی دیگر تقریبا بیکار باشد، از منابع بخوبی استفاده نمی شود و همچنین زمان اتمام کل وظایف می تواند بسیار افزایش بیابد. لذا برای غلبه بر این مشکل، از تکنیک توازن بار استفاده می شود. بطورکلی از دید محاسباتی، به فرایند توزیع متعادل بار بر روی واحدهای پردازشی، توازن بار گفته می شود. در اکثر پژوهش های انجام شده در رابطه با توازن بار، تعاملات میان وظایف در حال اجرا، در نظر گرفته نشده، لذا در صورتیکه وظایف در تعامل با یکدیگر، در واحدهای پردازشی مجزا، در یک شبکه توزیع شده قرار گرفته باشند، تعاملات میان آن ها می تواند در زمان اتمام کل وظایف، تاثیرگذار باشد. هدف از این پژوهش، ارایه روشی است که بتواند با در نظر گرفتن تعاملات میان وظایف، به یک توازن بار مطلوب در شبکه دست یابد، بطوریکه زمان اتمام کل و زمان بیکاری ماشین ها به حداقل برسند. برای این منظور، از الگوریتم ژنتیک استفاده می شود. نتایج آزمایشی بدست آمده نشان می دهند که محلی کردن تعاملات، تاثیر قابل توجهی در کاهش زمان اتمام کل خواهد داشت.کلید واژگان: توازن بار, رایانش ابری, وابستگی وظایف, ژنتیک تطبیقی}The increasing computing needs leads to an increase in the importance of using cloud computing day by day. Cloud computing is a computing model based on computer networks that presents a new pattern to supply resources, so that users request or release resources based on their needs. When the requests for computing resources increase, proper distribution of resources becomes very important, because if a computational unit has a large number of tasks and the other one is almost idle, resources are not used well and also makespan would be very high. Therefore, in order to overcome this problem, load balancing technique is used. In general, from the computing point of view, the process of distributing the loads on the processing units in a balanced way is called load balancing. In most researches, interactions between running tasks are not considered, so if the tasks in interaction with each other are located in separate processing units in a distributed network, the interactions between them would be effective on makespan. The aim of this research is to present an approach which can achieve a desirable load balancing in the network, such that the makespan and idle time of machines minimized, taking into account the interactions between the tasks. For this purpose, the genetic algorithm is used. The obtained experimental results show that localizing the interactions will have a significant impact in reducing the makespan.Keywords: Load balancing, cloud computing, Tasks dependency, Adaptive Genetic}
- نتایج بر اساس تاریخ انتشار مرتب شده‌اند.
- کلیدواژه مورد نظر شما تنها در فیلد کلیدواژگان مقالات جستجو شده‌است. به منظور حذف نتایج غیر مرتبط، جستجو تنها در مقالات مجلاتی انجام شده که با مجله ماخذ هم موضوع هستند.
- در صورتی که می‌خواهید جستجو را در همه موضوعات و با شرایط دیگر تکرار کنید به صفحه جستجوی پیشرفته مجلات مراجعه کنید.
©2000-2024 magiran.com All Rights Reserved.