دانلود ترجمه مقاله بهینه سازی زمانبندی وظایف چند هدفه برای متعادل سازی بار در محیط رایانش ابری

1. مقدمه 2. مروری بر مقالات 3. تعریف مساله و فرمولبندی تابع هدف 4. الگوریتم ABC ترکیبی برای متعادل سازی بار 5. ارزیابی تجربی و بحث و بررسی 6. نتیجه گیری

چکیده – متعادل سازی حجم کاری در رایانش ابری به خصوص در زیرساخت هایی نظیر Service (IaaS) در مدل ابری، همچنان موضوعی چالش برانگیز محسوب می شود. مسئله ای که نباید در زمان دسترسی ابری ایجاد شود، بارگذاری بیش از حد یا کمتر از حد سرور است که ممکن است زمان پردازش را تحت تأثیر قرار داده و یا منجر به خرابی سیستم شود. از اینرو، برای پیشگیری از بروز این مسائل، بایستی زمانبندی مناسبی جهت دسترسی انجام شود تا سیستم بتواند وظایف را در تمام منابع موجود، تقسیم کند. این عمل تعادل بار نامیده می شود. در روش متعادل سازی بار، تمام ماشین های مجازی (VM) بایستی به طور مناسب استفاده شوند. در مطالعه حاضر، یک رویکرد زمانبندی وظیفه مستقل در رایانش ابری بر مبنای الگوریتم کلونی زنبورهای مصنوعی (ABC) با الگوریتم یادگیری Q، با استفاده از الگوریتم بهینه‌ سازی زمانبندی کار چند هدفه ارائه شده است که نوعی تکنیک یادگیری تقویتی است که به عملکرد سریع ‌تر الگوریتم ABC منجر می شود که تحت عنوان روش MOABCQ می باشد. هدف از روش پیشنهادی، بهینه‌ سازی زمانبندی و بهره برداری از منابع، بیشینه سازی توان VM، و برقراری تعادل بار بین VM ها بر اساس زمان کل، هزینه و بهره برداری از منابع است که در ملاحظات همزمان، نوعی محدودیت‌ به حساب می آیند. همچنین، با استفاده از CloudSim در الگوریتم‌های تعادل بار و زمانبندی موجود یعنی Max-Min، FCFS، HABC_LJF، -یادگیری- Q، MOPSO، و الگوریتم‌های MOCS، در سه مجموعه داده نظیر تصادفی، وظایف ابر گوگل (GoCJ) و حجم کار مصنوعی، تحلیل عملکرد روش پیشنهادی مورد مقایسه قرار گرفت. نتایج تجربی بدست آمده حاکی از آن است که در الگوریتم ‌هایی که از رویکرد MOABCQ استفاده شده است، از لحاظ کاهش زمان کل، کاهش هزینه، کاهش درجه عدم تعادل، افزایش توان عملیاتی و میانگین استفاده، در مقایسه با سایر الگوریتم ‌ها از عملکرد بهتری برخوردار هستند.

Workload balancing in cloud computing is still challenging problem, especially in Infrastructure as a Service (IaaS) in the cloud model. A problem that should not occur during cloud access is a host or server being overloaded or underloaded, which may affect the processing time or may result in a system crash. Therefore, to prevent these problems, an appropriate schedule of access should be considered so that the system can distribute tasks across all available resources, which is called load balancing. The load balancing technique should ensure that all Virtual Machines (VMs) are used appropriately. In this paper, an independent task scheduling approach in cloud computing is proposed using a Multi-objective task scheduling optimization based on the Artificial Bee Colony Algorithm (ABC) with a Q-learning algorithm, which is a reinforcement learning technique that helps the ABC algorithm work faster, called the MOABCQ method. The proposed method aims to optimize scheduling and resource utilization, maximize VM throughput, and create load balancing between VMs based on makespan, cost, and resource utilization, which are limitations of concurrent considerations. Performance analysis of the proposed method was compared using CloudSim with the existing load balancing and scheduling algorithms: Max-Min, FCFS, HABC_LJF, Q-learning, MOPSO, and MOCS algorithms in three datasets: Random, Google Cloud Jobs (GoCJ), and Synthetic workload. The experimental results indicated that the algorithms used MOABCQ approach outperformed the other algorithms in terms of reducing makespan, reducing cost, reducing degree of imbalance, increasing throughput and average resource utilization.