ارائه رویکردی به منظور زمان بندی منابع در محیط های بدون سرویس دهنده

با توجه به پیشرفت فناوری و نیاز روزافزون کاربران، تولیدکنندگان باید برنامه های کاربردی خود را به سرعت توسعه دهند. محاسبات ابری، با توجه به مزایایی که دارد توجه تولیدکنندگان را برای پیاده سازی برنامه های کاربردی به خود جلب کرده است. ابر، مدل های سرویس دهی مختلفی مانند زیرساخت به عنوان سرویس، بستر به عنوان سرویس، نرم افزار به عنوان سرویس و تابع به عنوان سرویس را دارد. در این پژوهش تمرکز اصلی بر روی مدل سرویس دهی تابع به عنوان سرویس است. این مدل کاربران را قادر می سازد تا توابع ابری را بر روی بستری از منابع اجرا کنند بدون این که نگرانی درباره مدیریت زیرساخت آن داشته باشند. این کار هزینه کمتری برای آن ها خواهد داشت. یکی از مهم ترین چالش های این حوزه، مسیله زمان بندی توابع است. ارایه دهندگان سرویس، از الگوریتم های زمان بندی برای نگاشت درخواست های ورودی خود، به منابع محاسباتی استفاده می کنند. این نگاشت باید از جنبه های مختلفی که بر عملکرد سیستم تاثیر دارند، بهینه باشد. زمان بند، وظیفه مدیریت منابع را بر عهده دارد. اگرچه راه حل های مختلفی برای مدیریت تامین منابع ارایه شده است، اما برای مدیریت موثرتر منابع نیاز به روش های جدیدتری هست. بر این اساس، این کار پژوهشی یک الگوریتم ترکیبی جدید را برای بهبود عملکرد تامین منابع ارایه می کند. در راه حل پیشنهادی، یک الگوریتم ترکیبی را بر اساس الگوریتم های ژنتیک توسعه داده شده و شبیه سازی تبرید معرفی می کنیم. در این روش با استفاده از ترکیب دو الگوریتم ژنتیک توسعه داده شده و الگوریتم تبرید، از مزایای هر دو الگوریتم استفاده کردیم. این دو الگوریتم مکمل یکدیگر شده و نتایج مقایسه رهیافت پیشنهادی با روش های دیگر نشان دهنده عملکرد مثبت این روش در کاهش زمان تکمیل درخواست ها است. به منظور پیاده سازی و بررسی عملکرد این روش، یک موتور شبیه سازی توسعه داده شده است. طراحی و پیاده سازی رهیافت پیشنهادی با استفاده از زبان متلب انجام شده است. محیط انجام آزمایش شامل یک مرکز داده و تعدادی میزبان هست. برای روش ارایه شده معیارهای ارزیابی مختلفی نیز ارایه شده و رهیافت پیشنهادی به دو صورت پیاده سازی شده است. یکی به این صورت که الگوریتم تبرید برای تک به تک نمونه جمعیت تولید شده توسط الگوریتم ژنتیک توسعه داده شده، اجرا شود. روش دیگر که نتایج بهتری به همراه دارد به این صورت است که الگوریتم تبرید تنها بر روی بهترین نمونه از جمعیت اجرا شود. نتایج تجربی نشان می دهند رهیافت پیشنهادی در مقایسه با پیاده سازی های غیر اکتشافی 70درصد، در مقایسه با الگوریتم ژنتیک30 درصد و همچنین در مقایسه با الگوریتم تبرید 30 درصد زمان تکمیل اجرای درخواست کمتری دارد و درنتیجه عملکرد بهتری دارد.