کلیه مطالب این سایت فاقد اعتبار و از رده خارج است. تعطیل کامل

- مدل کالایی: قیمت گذاری منابع برابر
- مدل قیمت ارسال شده: قیمت گذاری متنوع برای روش‌ها و ساعت‌های مختلف استفاده
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت nefo.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

- مدل چانه زنی: قیمت گذاری اولیه توسط سرویس دهنده و چانه زنی تا رسیدن به قیمت توافقی
۲- استراتژی مبتنی بر مزایده شامل:
- تعداد شرکت کنندگان : انتخاب نوع مزایده (فروش، خرید، دو طرفه و …) بر اساس تعداد شرکت کنندگان (پیشنهاد دهدگان)
- مبتنی بر شفافیت اطلاعات : انتخاب روش ارائه اطلاعات به سایر شرکت کنندگان از قبیل روش کاملاً شفاف ، روش مهر و موم شده و …
- روش مزایده ترکیبی: ارائه پیشنهاد‌ها به صورت ترکیبی از چند پیشنهاد برای انواع منابع. به عنوان مثال مشتری یک پیشنهاد برای ترکیبی از Network,Storage,Ram,Cpu ارائه می‌کند.
زمان بندی اجرای کارها مبتنی بر مدل‌های ابتکاری نیز به طور عمده شامل روش‌های ایستا و پویا می‌باشند. از روش‌های ایستا برای زمانی که مجموعه کارهایی که بایستی زمان بندی شوند از قبل مشخص باشند استفاده می‌شود و از روش‌های پویا نیز برای زمانی که کارها به صورت بر خط وارد می‌شوند استفاده شود
استراتژی‌های ایستا:
از معروف‌ترین الگوریتم‌های ارائه شده در این گروه می‌توان به OLB,MET,MCT,MIN-MIN,MAX-MIN, GA, SA, Tabu,A* , …. اشاره کرد بر اساس ارزیابی صورت گرفته در در زمانی که ماشین‌ها سازگار باشند الگوریتم GA بهترین جواب MET و بدترین جواب را می‌دهد.
و برای ماشین‌های ناسازگار ، A*,GAبهترین راه حل و OLB بدترین است . به طور کلی الگوریتم‌های Min-Min, A*, GA را می‌توان به عنوان مورد اعتماد ترین روش‌ها در ارائه کمترین Makespan معرفی کرد.
استرتژی های پویا :
اینگونه الگوریتم‌ها را می‌توان در دو گروه Online و Batch گنجاد، درحالت Onlineکلیه کارها به صورت برخط زمان بندی می‌شوند و هر کار پس از دریافت توسط زمان بند به یکی از منابع سپرده می‌شد در حالت Batch کارها به صورت گروهی زمان بندی می‌شوند و گروه‌ها با یک وقفه کوتاه به منابع مربوطه سپرده می‌شوند.
Online-Mode: الگوریتم‌های KPB ,SA, MCT, MET, OLB در این گروه قرار می‌گیرند.
:Batch - Mode الگوریتم‌های Suffrage, Max-min, Min-Min از این دسته می‌باشند.
با توجه به مواردی که ذکر شد، در این مقاله موضوع اختصاص منابع با بهره گرفتن از تئوری بازی‌ها و مذاکره عامل‌ها در یک محیط چند عاملی پیشنهاد می‌شود. در مدل پیشنهادی ما هر عامل به دنبال حداکثر کردن میزان سودمندی مورد انتظار خود است و سرویس دهنده ابری نیز به عنوان محیط قصد دارد علاوه بر حفظ حالت سیستم در تعادل نش میزان استفاده از ابر را به حداکثر برساند.
فصل سه
کلیات تحقیق
زمان‌بندی کار برای پردازش ابری بر اساس الگوریتم ژنتیک چند هدفه
۳-۱ خلاصه
محاسبات ابری در حال ظهور محیط محاسبات با کارایی بالا با مقیاس بزرگ، مجموعه ای ناهمگن از سیستم‌های مستقل و معماری محاسباتی قابل انعطاف است. به منظور بهبود عملکرد کلی محاسبات ابری، با قید زمان پایان ، یک مدل زمان بندی کار برای کاهش مصرف برق سیستم محاسبات ابری و بهبود سود از ارائه دهندگان خدمات تأسیس شده است. برای مدل زمان‌بندی ، یک روش حل مبتنی بر الگوریتم ژنتیک چند هدفه (MO-GA) طراحی شده است و تحقیق بر روی قوانین جداسازی (رمزنگاری)، دستورات کراس آور، دستورات انتخاب و استفاده از روش‌های مرتب سازی راه حل‌های پارتو (یکی از روش های سرویس saas می باشد) متمرکز شده است. با بهره گرفتن از پلت فرم شبیه ساز ، متن باز ، ابر CloudSim ، در مقایسه ای که با الگوریتم‌های زمان بندی موجود گرفته شده ، نتایج نشان می‌دهد که الگوریتم پیشنهادی می‌تواند یک راه حل بهتر را به دست آورد، و تعادلی را در عملکرد از اشیا متعدد فراهم می‌کند.

مقدمه
محاسبات ابری، رویای طولانی ایجاد شد، که “محاسبات رایانه ای را به عنوان یک ابزار"، به عنوان یک الگوی جدید در محاسبات توزیع ، در مقیاس اقتصادی بزرگ دیده شود ، در حال ظهور است که در آن یک مجموعه بسیار مقیاس پذیر، ناهمگن، مجازی، و تنظیم و پیکر بندی قابل تغییر با منابع محاسباتی بالا (به عنوان مثال، شبکه، ذخیره سازی، واحد محاسبات، برنامه‌های کاربردی، داده‌ها) را می‌توان به سرعت ایجاد نمود. از لحاظ اقتصادی، مشتریان تنها استفاده از آنچه که به آن نیاز دارند، و تنها برای آنچه که در واقع استفاده می کنند هزینه آن را پرداخت می نمایند . منابع از طریق اینترنت در دسترس است از ابر در هر زمان و از هر مکان داده ها قابل دیدن هستند با این حال، مراکز داده‌ها ، از بخش قابل توجه و رو به رشد انرژی روبرو است ، یک مرکز داده به طور متوسط انرژی تا حد ۲۵۰۰۰ خانوار مصرف می کند . بنابراین، محاسبات انرژی مورد نیاز برای سیستم محاسبات ابری بسیار مهم است.
در خواستهای کارهای مختلف در طول زمان برای استفاده از منابع ، در نوسان است. سیستم زمان بندی کار، که تخصیص منابع به صورت کارامد به درخواست های مورد نیاز که تحت قوانین از موافقتنامه سطح (SLAs) دارای یک طرح بنیادی در دستیابی به عملکرد بالا در محاسبات ابری و بهبود بار منابع ، تعادل، امنیت، قابلیت اطمینان و کاهش انرژی و مصرف کل سیستم است. با این حال، دارای یک مشکل بزرگ برای طراحی الگوریتم زمان بندی کارآمد و پیاده سازی در ابر محیط محاسباتی است.
برای کاهش مصرف انرژی، Pinheiro و همکاران. پیشنهاد یک مدل برای به حداقل رساندن مصرف انرژی در یک خوشه بندی ناهمگن ،گره های محاسباتی چند سرویسه به وب سایت ها در یک دوره ، با نظارت بر بار منابع و تصمیم گیری در تغییر وضعیت گره ها به روشن / خاموش کردن آنها برای به حداقل رساندن مصرف برق به طور کلی اقدام کردند.
در کار دیگریRaghavendra و همکاران. با ترکیب و اکتشاف پنج سیاست مختلف در زمینه مدیریت انرژی و توان ، مشکل را از نظر تئوری کنترل کنند ، اما سیستم نتوانست به کنترل متغیر برنامه‌های مختلف را در راستای SLAs به صورت عملی دست یابد ؛
لی و همکاران. پیشنهاد دو الگوریتم بر اساس مدل قیمت گذاری، با بهره گرفتن از به اشتراک گذاری پردازنده به منظور تعادل بین سود و منابع استفاده کردند ؛
همچنین Gang و همکاران به پیشنهادهای برنامه نویسی الگوریتم ژنتیک خطی، با هدف ایجاد بهترین برنامه در ابزار شبکه با به حداقل رساندن هزینه‌های ترکیبی از تمام کاربران در یک روش هماهنگ پرداختند.
همه روش‌های ذکر شده در بالا در نظر گرفتن بازدهی بیشتر یا کم کردن انرژی در مطالعه خود اقدام نمودند ، اما رابطه ای بین آن‌ها نیست . برای غلبه بر کاستی الگوریتم‌های فوق، در این مقاله، ما در ابتدا به ایجاد یک مدل برنامه ریزی ماکروسکوپی با شناخت و تصمیم گیری اجزاء محاسبات ابری پرداخته ایم ، که مورد نیاز کارهای مختلف و شرایط زیرساخت‌های محاسباتی در نظر گرفته شده ، و سپس یک زمان بندی کار پیشنهاد الگوریتم بر اساس الگوریتم ژنتیک چند هدفه (MO-GA)، با توجه به مصرف انرژی و سود حاصل از ارائه دهندگان خدمات، و ارائه یک مکانیزم انتخاب پویا ، از طرح برنامه ریزی مناسب برای کاربران با توجه به زمان واقعی مورد نیاز هر کار ، ایجاد کردیم ؛
۳-۳ مدل زمان‌بندی کار
در پردازش ابری درخواست خدمات خواسته‌های منابع ناهمگن هستند به همین دلیل برخی از خدمات ممکن است پردازنده را بیشتر مصرف نمایند و برخی دیگر ورودی/خروجی را . منابع ابر مورد نیاز باید به صورتی اختصاص داده شود که نه تنها برای راضایت از کیفیت سرویس (QoS) مورد نیاز از طریق SLAs مشخص شده توسط کاربر بهترین درجه را کسب نماید ، بلکه به کاهش مصرف انرژی و بهبود انرژی مصرفی حاصل از ارائه دهندگان خدمات باید در بهینه ترین مرحله قرار بگیرد.
۳-۴ مدل معماری
شکل ۱ نشان می‌دهد که عملکرد مدل معماری به این صورت است که در حال ایجاد یک زمان‌بندی است ، توابع جزئیات از اجزای اصلی به شرح زیر معرفی شده است: مولفه شناخت درخواست ، از نیازهای ویژه ای برای کسب و کارهای مختلف به طور کامل آگاه می‌شود ، که ممکن است شامل محاسبات، ذخیره سازی و ارتباطات مورد نیاز برای محاسبات، قانون ورود و شرایط همزمانی ، امنیت و نیازهای حفظ حریم خصوصی، کیفیت سرویس از خدمات و غیره باشد؛
مؤلفه سرویس تجزیه درخواست(Service decomposition component) خدمات را به سطح متفاوتی از تجزیه کردن دانه ای( granularities ) با تنظیمات مختلف پردازنده. در مرحله بعد ،مدیریت وظایف( Task Manager ) را خواهد بود که با بهره گرفتن از یک راه حل مؤثر، وظیفه بهینه سازی منابع مورد نیاز هر یک از تجزیه کردن دانه ای و تحلیل و نگاشت برای پردازنده‌های مورد نیاز می باشد.
همچنینTask Manager مسئول مدیریت وضعیت کار (شروع، توقف، لغو …) ، تعیین توالی برنامه ریزی و تخصیص منابع برای درخواست و تخصیص منابع مناسب برای هر کارکه به الگوریتم زمان بندی کمک می کند را دارد.
مؤلفه شناخت منابع^[۳۷] نقش مدیریت منابع در دسترس را بازی می کند ، نظارت بر عملکرد منابع، بهینه سازی پویا از استراتژی برنامه ریزی و اطلاع رسانی خطا از دیگر وظایف این بخش خواهد بود.

شکل ۳- ۱ عملکرد مدل معماری
۳-۵ مسله فرمول بندی
مدل ما، یک برنامه ابری تشکیل شده است از مجموعه‌ای از موارد کاری و یا کارهایی که انجام یک کار محاسبات پیچیده با بهره گرفتن از منابع موجود در ابر ایجاد شده است ، و در مجموعه A (a_۱,a_۲,a_۳,….,a_n) دسته‌ای از برنامه‌های کاربردی در یک دوره وارد شده است. در طی فرایند زمان بندی، درخواست دهنده درخواست خدمت در برای نرم‌افزار به‌صورت a_i(۱<=i<=M)ارسال نماید ، با منابع مورد نیاز که نمایش دهنده منابع آن‌ها (T_i,N_i,d_i)، که در آنTi آن را نشان دهنده زمان رزرو از نرم‌افزار برای ماشین‌های مجازی (VMS)، که در آن عناصر محاسباتی به‌صورت مجازی در ابر رایانه با بهره گرفتن از فنّاوری مجازی سازی هستند ،Ni تعداد VM ها مورد نیاز برای ai و di خط مرگ یک برنامه است که پس از آن برنامه با شکست مواجه می‌شود . مشکل نیاز به حل برای این الگوریتم این است که چگونه به برنامه اینM برنامه به N ابر داده شده که تابع هدف ما به‌صورت مطلوب باشد. که در آن، N ابر توزیع شده در مناطق جغرافیایی مختلف در سراسر جهان معمولاً ناهمگن هستند ، در حالی که در یک VM همه ابرها با تکنیک‌های مجازی سازی همگن در نظر گرفته.
۳-۶ تابع هدف
فرض کنید قرار است برنامه ai زمان‌بندی شده و اجرا بر روی ابر Cj و Pj قدر هر VM در ابر Cj خواهد بود و سپس انرژی اجرای آن از قرار زیر خواهد بود .
و میزان بهره‌وری آن برابر خواهد بود با :
که در آن pr قیمت واحد خدمات به ai خواهد بود و Coij هزینه ارائه دهنده برای اجرای ai خواهد بود .
و در انتهای کار باید داشته باشیم
که در کل E و R به ترتیب مصرف انرژی و سود حاصل از M برنامه در N ابر خواهد بود.
۳-۷ زمان‌بندی الگوریتم MO_GA
مقداردهی اولیه جمعیت