زمان بندی انرژی – آگاه ماشین های مجازی در سیستم های رایانش ابری ناهمگون
ترجمه کامل مقاله با دارا بودن 27 صفحه ترجمه فارسی روان-فونت 14 تعداد کلمات:7027
تعداد صفحات مقاله اصلی 25 صفحه.
چکیده
با توسعه سریع رایانش ابری ، چگونگی کاهش انرژی مصرفی ضمن بالا نگه داشتن ظرفیت رایانشی به چالش مهمی تبدیل شده است . الگوهای زمان بندی فعلی ماشین های مجازی (WM) اساسا تمرکز خود را بر روی بهبود و ارتقاء بهره وری منابع خوشه و کاهش توان مصرفی قرار داده اند . این کار را از طریق بهبود الگوریتم bin-packing انجام داده اند . به هر حال در سناریوهای واقعی اجرای کاربردها و برنامه های مختلف حساس به منابع بر روی VM ها اثرات قابل توجهی بر روی کارایی سیستم و انرژی مصرفی دارد . علاوه بر آن اوج بار آنی می تواند منجر به زمان بندی اشتباه شود و همین امر نیز سبب تاثیرات قابل توجهی بر روی بهینگی انرژی الگوریتم های زمان بندی می شود .
در این مقاله ، روش زمان بندی جدیدی با نام preAntPolicy پیشنهاد شده است که دربرگیرنده یک مدل پیش بینی مبتنی بر ریاضیات فراکتال و یک زمان بند مبتنی بر الگوریتم بهبود یافته کولونی مورچه است . مدل پیش بینی از طریق پیش بینی تمایل بار شروع به کار اجرای زمان بند را مشخص می کند و زمان بند نیز مسئولیت زمان بندی منابع ضمن به حداقل رساندن انرژی مصرفی تحت ضمانت کیفیت سرویس (QoS) را بر عهده دارد . از طریق آنالیزهای وسیع و انجام شبیه سازی های مختلف و استفاده از بارهای کاری واقعی مربوط به رایانش خوشه های گوگل ، نتایج حاصل از عملکرد و کارایی نشان می دهند که روش پیشنهادی دارای بهره وری منابع و بهینگی انرژی عالی است . علاوه بر آن این روش برای برنامه های شدت – منابع ( برنامه هایی که نیاز زیادی به منابع دارند ) در یک محیط رایانشی ناهمگون یک مدل بهینه ظرفیت پویا را ارائه کرده است و می تواند مصرف منابع سیستمی و انرژی را در هنگامی که زمان بندی توسط بارهای اوج آنی شروع می شوند ،کاهش دهد .
واژگان کلیدی : رایانش ابری ، تخصیص منابع ، بهینگی انرژی ، مدل پیش بینی فراکتال ، برنامه های شدت – منابع
Energy-Aware Scheduling of Virtual Machines in Heterogeneous Cloud Computing Systems
Abstract
With the rapid development of cloud computing, how to reduce energy con-
sumption as well as maintain high computation capacity has become a timely
and important challenge. Existing Virtual Machines (VMs) scheduling schemes
have mainly focused on enhancing the cluster resource utilization and reducing
power consumption by improving the legacy ”bin-packing” algorithm. However,
different resource-intensive applications running on VMs in realistic scenarios
have significant effects on the system performance and energy consumption.
Furthermore, instantaneous peak loads may lead to a scheduling error, which
can significantly impede the energy efficiency of scheduling algorithms. In this
paper, we propose a new scheduling approach named PreAntPolicy that consists
of a prediction model based on fractal mathematics and a scheduler on the
basis of an improved ant colony algorithm. The prediction model determines
whether to trigger the execution of the scheduler by virtue of load trend prediction,
and the scheduler is responsible for resource scheduling while minimizing
energy consumption under the premise of guaranteeing the Quality-of-Service
(QoS). Through extensive analysis and simulation experiments using real workload
traces from the compute clusters of Google, the performance results demonstrate
that the proposed approach exhibits excellent energy efficiency and resource
utilization. Moreover, this approach offers an effective dynamic capacity
provisioning model for resource-intensive applications in a heterogeneous computing
environment and can reduce the consumption of system resources andenergy when scheduling is triggered by instantaneous peak loads.
دانلود رایگان مقاله انگلیسی
دانلود مقاله دات کام 
توضیحات محصول
زمان بندی انرژی – آگاه ماشین های مجازی در سیستم های رایانش ابری ناهمگون
ترجمه کامل مقاله با دارا بودن 27 صفحه ترجمه فارسی روان-فونت 14 تعداد کلمات:7027
تعداد صفحات مقاله اصلی 25 صفحه.
چکیده
با توسعه سریع رایانش ابری ، چگونگی کاهش انرژی مصرفی ضمن بالا نگه داشتن ظرفیت رایانشی به چالش مهمی تبدیل شده است . الگوهای زمان بندی فعلی ماشین های مجازی (WM) اساسا تمرکز خود را بر روی بهبود و ارتقاء بهره وری منابع خوشه و کاهش توان مصرفی قرار داده اند . این کار را از طریق بهبود الگوریتم bin-packing انجام داده اند . به هر حال در سناریوهای واقعی اجرای کاربردها و برنامه های مختلف حساس به منابع بر روی VM ها اثرات قابل توجهی بر روی کارایی سیستم و انرژی مصرفی دارد . علاوه بر آن اوج بار آنی می تواند منجر به زمان بندی اشتباه شود و همین امر نیز سبب تاثیرات قابل توجهی بر روی بهینگی انرژی الگوریتم های زمان بندی می شود .
در این مقاله ، روش زمان بندی جدیدی با نام preAntPolicy پیشنهاد شده است که دربرگیرنده یک مدل پیش بینی مبتنی بر ریاضیات فراکتال و یک زمان بند مبتنی بر الگوریتم بهبود یافته کولونی مورچه است . مدل پیش بینی از طریق پیش بینی تمایل بار شروع به کار اجرای زمان بند را مشخص می کند و زمان بند نیز مسئولیت زمان بندی منابع ضمن به حداقل رساندن انرژی مصرفی تحت ضمانت کیفیت سرویس (QoS) را بر عهده دارد . از طریق آنالیزهای وسیع و انجام شبیه سازی های مختلف و استفاده از بارهای کاری واقعی مربوط به رایانش خوشه های گوگل ، نتایج حاصل از عملکرد و کارایی نشان می دهند که روش پیشنهادی دارای بهره وری منابع و بهینگی انرژی عالی است . علاوه بر آن این روش برای برنامه های شدت – منابع ( برنامه هایی که نیاز زیادی به منابع دارند ) در یک محیط رایانشی ناهمگون یک مدل بهینه ظرفیت پویا را ارائه کرده است و می تواند مصرف منابع سیستمی و انرژی را در هنگامی که زمان بندی توسط بارهای اوج آنی شروع می شوند ،کاهش دهد .
واژگان کلیدی : رایانش ابری ، تخصیص منابع ، بهینگی انرژی ، مدل پیش بینی فراکتال ، برنامه های شدت – منابع
Energy-Aware Scheduling of Virtual Machines in Heterogeneous Cloud Computing Systems
Abstract
With the rapid development of cloud computing, how to reduce energy con-
sumption as well as maintain high computation capacity has become a timely
and important challenge. Existing Virtual Machines (VMs) scheduling schemes
have mainly focused on enhancing the cluster resource utilization and reducing
power consumption by improving the legacy ”bin-packing” algorithm. However,
different resource-intensive applications running on VMs in realistic scenarios
have significant effects on the system performance and energy consumption.
Furthermore, instantaneous peak loads may lead to a scheduling error, which
can significantly impede the energy efficiency of scheduling algorithms. In this
paper, we propose a new scheduling approach named PreAntPolicy that consists
of a prediction model based on fractal mathematics and a scheduler on the
basis of an improved ant colony algorithm. The prediction model determines
whether to trigger the execution of the scheduler by virtue of load trend prediction,
and the scheduler is responsible for resource scheduling while minimizing
energy consumption under the premise of guaranteeing the Quality-of-Service
(QoS). Through extensive analysis and simulation experiments using real workload
traces from the compute clusters of Google, the performance results demonstrate
that the proposed approach exhibits excellent energy efficiency and resource
utilization. Moreover, this approach offers an effective dynamic capacity
provisioning model for resource-intensive applications in a heterogeneous computing
environment and can reduce the consumption of system resources andenergy when scheduling is triggered by instantaneous peak loads.
دانلود رایگان مقاله انگلیسی