-
عنوان: بهینه سازی مصرف انرژی در مراکز داده ابری با استفاده از تخصیص موثر منابع
-
ارائهکننده: ناصر رمضانپور
-
استاد راهنما: دکتر نصراله مقدم چرکری
-
استاد ناظر خارجی: دکتر مازیار گودرزی(دانشگاه: صنعتی شریف)
-
استاد ناظر داخلی: دکتر محمد صنیعی آباده
-
استاد مشاور: دکتر بهزاد اکبری
-
مکان: دانشکده مهندسی برق و کامپیوتر، سالن جلسات
-
تاریخ: 1395/02/27
-
ساعت: 18
چکیده
درگذشته استفاده از تجهیزات سختافزاری به صورت تککاربردی مطرح بود به عبارت دیگر به ازای اجرای برنامههای کاربردی در سیستمعاملهای مختلف، نیاز به راهاندازی خدمتگزارهای فیزیکی جدید بود. امروزه با استفاده از فنآوری مجازیسازی، منابع فیزیکی به قطعات منطقی به نام ماشینمجازی تقسیم میشود. هر ماشین مجازی دارای سیستمعامل جداگانه روی منابع فیزیکی اختصاصی از دید کاربر میباشد. بررسی حدود 5000 خدمتگزار نشان میدهد خدمتگزارها معمولا بیکار نیستند اما بهرهوری آنها بسیار پایین است و در اغلب اوقات بهرهوری آنها بین 10% تا 50% است. معمولا یک خدمتگزار بیکار در حدود 70% از توان بیشینه را مصرف میکند بنابراین خدمتگزار بیکار میزان زیادی از انرژی را به هدر میدهد. رایانش ابری با استفاده از مجازیسازی منابع رایانشی اجازه تخصیص منابع به صورت "پرداخت به میزان استفاده" را میدهد. یکی از شیوه های حل مشکل ناکارآمدی مصرف انرژی، استفاده از قابلیت مجازیسازی است. فنآوری مجازیسازی با ایجاد چندین ماشین مجازی در یک خدمتگزار باعث افزایش بهرهوری منابع میگردد. با مهاجرت ماشینهای مجازی میتوان ماشینهای مجازی را برطبق نیاز در کمترین تعداد خدمتگزار جایگذاری نمود، سپس به منظور مدیریت بهینه مصرف انرژی خدمتگزارهای بیکار خاموش میشوند. هدف از این پژوهش ارائه راهکاری جهت جایگذاری ماشین های مجازی با هدف کاهش مصرف انرژی، توزیع بار روی خدمتگزارها و کاهش اتلاف منابع می باشد. در همین راستا توابع هدف مصرف انرژی و واریانس استفاده از منابع (تابع هدف پیشنهادی) ارائه میشود. در ادامه روش پیشنهادی براساس ترکیب الگوریتم NSGAII و شبیه سازی تبرید و تغییرات در جمعیت اولیه معرفی میگردد. در الگوریتم شبیه سازی تبرید نیز تغییراتی در تابع احتمال پذیرش جواب اعمال شد تا به الگوریتم چندهدفه تبدیل شود. روش پیشنهادی با ۳ روش مشابه در حل مساله جایگذاری ماشین مجازی در خدمتگزار شامل NSGAII، VMPACS و FFD مورد مقایسه قرار گرفت. جهت مقایسه از ۲۰۰ خدمتگزار و ۲۰۰ ماشین مجازی استفاده شده است. این ۲۰۰ ماشین مجازی به صورت تصادفی تولید شدند و ۱۰ مجموعه داده با ضریب همبستگی متفاوت و بازه تغییرات در نیازهای ماشین مجازی بدست آمده است. نتایج ارزیابی نشان می دهد روش پیشنهادی عملکرد بهتری نسبت به رویکرد NSGAII و FFD دارد اما نتایج مقایسه با VMPACS نشان میدهد که میزان مصرف انرژی این دو الگوریتم به هم نزدیک است اما میزان توزیع بار در روش پیشنهادی نسبت به روش VMPACS بهبود یافته است. آزمون Wilixcoxon نشان داد روش پیشنهادی با تعداد ماشین مجازی و خدمتگزار بیشتر نسبت به روشهای دیگر بهتر عمل می کند.
کلمات کلیدی
مراکز داده ابری، مدیریت انرژی، توزیع بار، جایگذاری ماشین مجازی
25 اردیبهشت 1395 / تعداد نمایش : 4420