دانلود ترجمه مقاله تخصیص ماشین مجازی آگاه از انرژی برای ابر

1. مقدمه 2. کارهای مرتبط 3. مدل های سیستم و تعریف مساله 4. رویکرد تکاملی ما 5. ارزیابی عملکرد 6. نتیجه گیری و کارهای آتی

برای کاهش قیمت برنامه های ابری به سبک «پرداخت در حال حرکت» (پرداخت آنلاین)، تعداد روز افزونی از ارائه دهندگان خدمات ابری، خدمات برپایه رزرو منابع ارائه می دهند که به ساکنان امکان می دهند تا ماشین های مجازی (VM های) خود را با پنجره های زمانی و منابع فیزیکی خاص، سفارشی سازی کنند. اما، بخاطر عدم وجود مدیریت کارآمد خدمات رزرو شده، بازده انرژی ماشین های فیزیکی میزبان قابل تضمین نیست. در بازار رایانش ابری بسیار رقابتی امروزی، چنین بازده انرژی کم، به میزان قابل توجهی حاشیه سود ارائه دهندگان خدمات ابری را کاهش می دهد. بنابراین، نحوه بررسی راهکارهای مکانیابی VM کم مصرف برای خدمات رزرو شده برای دستیابی به حداکثر سود به یک مسئله کلیدی برای راه اندازی و نگهداری رایانش ابری، تبدیل شده است. برای پرداختن به این مسئله، این مقاله یک رویکرد تکاملی نوین و موثر برای تخصیص VM پیشنهاد می کند که می تواند بازده انرژی یک دیتاسنتر ابری را به حداکثر برساند و در عین حال VM های رزرو شده بیشتری را بکار بگیرد. با هدف تخمین مصرف انرژی دقیق، رویکرد ما نیاز به شبیه سازی همه آپدیت های مکان یابی VM دارد که این کار با استفاده از شبیه سازهای ابری سنتی، وقت گیر است. برای رفع این مسئله، یک موتور شبیه سازی ساده برای CloudSim طراحی کرده ایم که می تواند فرآیند رویکرد تکاملی ما را شتاب دهد. نتایج تجربی جامع بدست آمده از شبیه سازی برروی CloudSim و محیط های ابری واقعی نشان می دهد که رویکرد ما نه تنها می تواند سریعاً به یک جواب مکان یابی بهینه برای یک دسته از VM های رزرو شده دست پیدا کند، بلکه همچنین می تواند VM های بیشتری را با ماشین های فیزیکی کمتر تجمیع کند تا به بازده انرژی بهتر نسبت به روش های موجود، دست یابد. به بیان دقیق تر، بهبود سود کلی و صرفه جویی انرژی حاصل شده بوسیله روش ما می تواند تا به ترتیب 24% و 41% نسبت به روش های نوین باشد. علاوه بر آن، رویکرد ما می تواند، دیتا سنتر ابری را قادر به خدمت رسانی به درخواست های کاربران بیشتر سازد.

To reduce the price of pay-as-you-go style cloud applications, an increasing number of cloud service providers offer resource reservation-based services that allow tenants to customize their virtual machines (VMs) with specific time windows and physical resources. However, due to the lack of efficient management of reserved services, the energy efficiency of host physical machines cannot be guaranteed. In today’s highly competitive cloud computing market, such low energy efficiency will significantly reduce the profit margin of cloud service providers. Therefore, how to explore energy efficient VM allocation solutions for reserved services to achieve maximum profit is becoming a key issue for the operation and maintenance of cloud computing. To address this problem, this paper proposes a novel and effective evolutionary approach for VM allocation that can maximize the energy efficiency of a cloud data center while incorporating more reserved VMs. Aiming at accurate energy consumption estimation, our approach needs to simulate all the VM allocation updates, which is time-consuming using traditional cloud simulators. To overcome this, we have designed a simplified simulation engine for CloudSim that can accelerate the process of our evolutionary approach. Comprehensive experimental results obtained from both simulation on CloudSim and real cloud environments show that our approach not only can quickly achieve an optimized allocation solution for a batch of reserved VMs, but also can consolidate more VMs with fewer physical machines to achieve better energy efficiency than existing methods. To be specific, the overall profit improvement and energy savings achieved by our approach can be up to 24% and 41% as compared to state-of-the-art methods, respectively. Moreover, our approach could enable the cloud data center to serve more tenant requests.