حل مسئله بهینه‌سازی چندهدفه جایگذاری ماشین‌های مجازی در مراکز داده‌ای ابر با رویکرد کمینه‌سازی مصرف انرژی و هدررفت منابع با الگوریتم تبرید فلزات
محورهای موضوعی : مهندسی برق و کامپیوتر
1 - دانشگاه آزاد اسلامی واحد ساری
کلید واژه: رایانش ابری, مجازی‌سازی, جایگذاری ماشین مجازی, تبرید فلزات,
چکیده مقاله :
در عصر حاضر، صنعت رایانش ابری به یک زنجیره تأمین جدید بین ارائه‌دهندگان سرویس محاسباتی و درخواست‌دهندگان سرویس تبدیل شده است. برای این منظور، مراکز داده‌ای ابر به طور گسترده از تکنولوژی مجازی‌سازی استفاده می‌کنند که به طور بالقوه قابلیت افزایش بهره‌وری منابع محاسباتی در سطح زیرساخت ابر را فراهم می‌کند. طرح‌های ناکارامد جایگذاری ماشین‌های مجازی منجر به کاهش بهره‌وری سیستم، افزایش هدررفت منابع و در نتیجه مصرف بالای انرژی در مراکز داده‌ای ابر می‌شوند. بنابراین، این مقاله مسئله جایگذاری ماشین‌های مجازی روی ماشین‌های فیزیکی مرکز داده‌ای ابر را به یک مسئله بهینه‌سازی چندهدفه با رویکرد کمینه‌سازی دو هدف مصرف انرژی و هدررفت منابع فرمول‌بندی می‌کند که از لحاظ محاسباتی در رده مسایل NP-hard قرار دارد. از آنجایی که اکثر الگوریتم‌های فراابتکاری برای حل مسایل بهینه‌سازی پیوسته طراحی شده‌اند و نیز کیفیت راه حل آنها با خطر گیرافتادن در بهینه محلی تهدید می‌شود، برای حل این مسئله ترکیبی و پیچیده، یک الگوریتم بهینه‌سازی مبتنی بر تبرید فلزات متناسب با فضای جستجوی گسسته تعریف‌شده در مسئله، توسعه داده می‌شود تا امکان گیرافتادن در بهینه محلی را کاهش دهد. جهت اعتبارسنجی روش پیشنهادی، سناریوهای مختلفی معرفی و هدایت می‌شوند. نتایج به دست آمده از شبیه‌سازی در سناریوهای مختلف، برتری روش پیشنهادی را نسبت به سایر روش‌های موجود از لحاظ کاهش مصرف انرژی، هدررفت منابع و تعداد سرویس‌دهنده‌های فعال نشان می‌دهد.
Nowadays, cloud computing industry has been transformed to a new supply chain between cloud service providers and service requesters. To this end, cloud service provisioning in datacenters is procured via virtualization platforms in which it can potentially increase the utilization of computing resources at infrastructure level. Inefficient virtual machine placement (VMP) schemes lead lower system utilization, increase of resource dissipation, and high rate of power consumption. Therefore, this paper formulates VMP problem on physical machines of cloud datacenters to a multi-objective optimization problem with minimization of both power consumption and resource dissipation perspectives which is computationally NP-Hard. Since the most meta-heuristic algorithms are designed for continuous optimization problems and are also susceptible to get stuck in local optimum, to figure out this combinatorial problem an optimization algorithm based on simulated annealing algorithm commensurate with discrete search space of stated problem is extended, so that the possibility of getting stuck in local optimum is reduced. To validate the proposed approach, several scenarios are introduced and conducted. Reported results from simulation of different scenarios show that the proposed approach outperforms against other existing approaches in terms of reduction in power consumption, resource dissipation, and the number of active server in use.
[1] C. Wei, Z. H. Hu, and Y. G. Wang, "Exact algorithms for energy-efficient virtual machine placement in data centers," Future Generation Computer Systems, vol. 106, pp. 77-91, 2020.
[2] س. اصغری و ن. جعفری نویمی‌پور، "یک روش آگاه از هزینه برای ترکیب خدمات ابری به کمک یک الگوریتم ترکیبی،" مجله علمی رایانش نرم و فناوری اطلاعات، جلد 8، شماره 2، صص. 26-17، تابستان 1398.
[3] M. Hosseini Shirvani, A. M. Rahmani, and A. Sahafi, "A survey study on virtual machine migration and server consolidation techniques in DVFS-enabled cloud datacenter: taxonomy and challenges," J. of King Saud University-Computer and Information Sciences, vol. 32, no. 3, pp. 267-286, Mar. 2020.
[4] D. Kliazovich, P. Bouvry, and S. U. Khan, "DENS: data center energy-efficient network-aware scheduling," Cluster Computing, vol. 16, pp. 65-75, 2013.
[5] R. Brown, et al., Report to Congress on Server and Data Center Energy Efficiency: Public Law, pp. 109-431, Lawrence Berkeley National Laboratory, Berkeley, 2008.
[6] S. U. Khan and A. Y. Zomaya, Handbook on Datacenters, Springer, New York, NY, 2015.
[7] M. Hosseini Shirvani, "To move or not to move: an iterative four-phase cloud adoption decision model for IT outsourcing based on TCO," J. of Soft Computing and Information Technology, vol. 9, no. 1, pp. 7-17, Spring 2020.
[8] M. Hosseini Shirvani, A. M. Rahmani, and A. Sahafi, "An iterative mathematical decision model for cloud migration: a cost and security risk approach," Software: Practice and Experience, vol. 48, no. 3, pp. 449-485, Mar. 2018.
[9] M. A. Reddy and R. Ravindranath, "Virtual machine placement using JAYA optimization algorithm," Applied Artificial Intelligence, vol. 34, no. 1, pp. 31-46, 2019.
[10] W. Van Heddeghem, et al., "Trends in worldwide ICT electricity consumption from 2007 to 2012," Computer Communications, vol. 50, pp. 64-76, 1 Sept. 2014.
[11] M. Mills, The Cloud Begins with Coal: An Overview of the Electricity Used by the Global Digital Ecosystem, Technical Report, Digital Power Group, Washington D.C, USA, 2013.
[12] V. D. Reddy, B. Setz, G. S. V. R. K. Rao, G. R. Gangadharan, and M. Aiello, "Best practices for sustainable datacenter," IT Professional, vol. 20, no. 5, pp. 57-67, Sept./Oct. 2018.
[13] B. S. Baker, "A new proof for the first-fit decreasing bin-packing algorithm," J. of Algorithms, vol. 6, no. 1, pp. 49-70, Mar. 1985.
[14] M. Yue, "A simple proof of the inequality FFD (L) ≤ 11/9 OPT (L) + 1, ∀ L for the FFD bin-packing algorithm," Acta Mathematicae Applicatae Sinica, vol. 7, no. 4, pp. 321-331, 1991.
[15] P. Saeedi and M. Hosseini Shirvani, "An improved thermodynamic simulated annealing-based approach for resource-skewness-aware and power-efficient virtual machine consolidation in cloud datacenters," Soft Comput., vol. 25, pp. 5233-5260, 2021.
[16] P. Saeedi, "An energy-efficient genetic-based algorithm for virtual machine placement in cloud datacenter," J. of Multidisciplinary Engineering Science and Studies, vol. 5, no. 5, pp. 1-4, May 2019.
[17] S. E. Dashti and A. M. Rahmani, "Dynamic VMs placement for energy efficiency by PSO in cloud computing," J. of Experimental & Theoretical Artificial Intelligence, vol. 28, no. 1-2, pp. 97-112, 2016.
[18] Y. Gao, H. Guan, Z. Qi, Y. Hou, and L. Liu, "A multi-objective ant colony system algorithm for virtual machine placement in cloud computing," J. of Computer and System Sciences, vol. 79, no. 8, pp. 1230-1242, Dec. 2013.
[19] M. Y. Kao, (Ed.), Encyclopedia of Algorithms, Springer Science & Business Media, 2008. ISBN: 978-0-387-30162-4.
[20] L. Grit, D. Irwin, A. Yumerefendi, and J. Chase, "Virtual machine hosting for networked clusters: building the foundations for autonomic orchestration," in Proc. of First Int. Workshop on Virtualization Technology in Distributed Computing, pp. 7-7, Tampa, FL, USA, 17-17 Nov. 2006.
[21] A. A. Chandio, N. Tziritas, M. S. Chandio, and C. Z. Xu, "Energy efficient VM scheduling strategies for HPC workloads in cloud data centers," Sustainable Computing: Informatics and Systems, vol. 24, Article No.: 100352, Dec.2019.
[22] L. Gao and G. N. Rouskas, "A spectral clustering approach to network-aware virtual request partitioning," Computer Networks, vol. 139, pp. 70-80, 5 Jul. 2018.
[23] Y. Wu, M. Tang, and M. Fraser, "A simulated annealing algorithm for energy efficient virtual machine placement," in Proc. IEEE Int. Conf. on Systems, Man, and Cybernetics, SMC’12, pp. 1245-1250, Seoul, South Korea, 14-17 Oct. 2012.
[24] N. Su, A. Shi, C. Chen, E. Chen, and Y. Wang, "Research on virtual machine placement in the cloud based on improved simulated annealing algorithm," World Automation Congress, WAC’16, 7 pp., Rio Grande, PR, USA, 31 Jul.-4 Aug. 2016.
[25] S. Farzai, M. Hosseini Shirvani, and M. Rabbani, "Multi-objective communication-aware optimization for virtual machine placement in cloud datacenters," Sustainable Computing: Informatics and Systems, vol. 28, Article No.: 100374, Dec. 2020.
[26] M. Tang and S. A. Pan, "Hybrid genetic algorithm for the energy-efficient virtual machine placement problem in data centers," Neural Process Lett, vol. 41, no. 2, pp. 211-221, Apr. 2015.
[27] S. Kirkpatrick, C. D. Gelatt, and M. P. Vecchi, "Optimization by simulated annealing," Science, vol. 220, no. 4598, pp. 671-680, 13 May 1983.
[28] M. Hosseini Shirvani, "Web service composition in multi-cloud environment: a bi-objective genetic optimization algorithm," in Proc. Innovations in Intelligent Systems and Applications, INISTA’18, 6 pp., Thessaloniki, Greece, 3-5 Jul. 2018.
[29] M. Hosseini Shirvani and A. Babazadeh Gorji, "Optimisation of automatic web services composition using genetic algorithm," Int. J. Cloud Computing, vol. 9, no. 4, pp. 397-411, 2020.
[30] ع. محمدزاده، م. مصدری، ف. سلیمانیان قره چپق و ا. جعفریان، "ارائه یک الگوریتم بهبودیافته بهینه‌سازی گرگ‌های خاکستری برای زمان‌بندی جریان کار در محیط محاسبات ابری،" مجله علمی رایانش نرم و فناوری اطلاعات، جلد 8، شماره 4، صص. 29-17، زمستان 1398.