افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگشده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنککننده ناکافی و ناکارآمد، نهتنها باعث گرم شدن بیشازحد منابع و ک چکیده کامل
افزایش تقاضا منجر به افزایش تنوع، تعداد خدمات و درنتیجه ایجاد مراکز داده رایانش با مقیاس بزرگشده است که علاوه بر هزینههای عملیاتی بالا، مقادیر عظیمی از توان الکتریکی را مصرف میکند. از طرفی سیستمهای خنککننده ناکافی و ناکارآمد، نهتنها باعث گرم شدن بیشازحد منابع و کاهش عمر کاری دستگاهها میشود، بلکه باعث تولید کربن شده که در وضعیت آبوهوا نقش مهمی دارد. ازاینرو، در این پژوهش، یک روش مؤثر مدیریت منابع انرژی در مراکز داده ابری مجازی شده ارائهشده که علاوه بر کاهش مصرف انرژی و هزینههای عملیاتی، باعث افزایش کیفیت خدمات نیز شده است. این پژوهش، به ارائه یک استراتژی تخصیص منبع در سیستمهای ابری باهدف کاهش انرژی و هزینه اجرا پرداخته و کاربرد آن را در محیط رایانش ابری بررسی میکند. نتایج حاصل از شبیهسازی نشان میدهد که روش پیشنهادی میتواند نسبت به روشهای NPA[1]، [2]DVFS، [3]ST و [4]MM ، میانگین انرژی مصرفی را تا 0.626 کیلووات ساعت کاهش دهد، همچنین نیاز به مهاجرت و موارد نقض SLA نیز به ترتیب به 186 و 30.91% کاهش پیدا نمود.
پرونده مقاله
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و بر چکیده کامل
محاسبات لبه موبایل تجربه کاربران نهایی را برای دستیابی به خدمات مناسب و کیفیت خدمات بهبود می دهد. در این مقاله مسئله بهبود تخصیص منابع هنگام بارگیری وظایف براساس دستگاههای تلفن همراه به سرورهای لبه در سیستمهای محاسباتی بررسی می شود. برخی وظایف به صورت محلی پردازش و برخی به سرورهای لبه بارگذاری می شوند. مسئله اصلی این است که وظایف تخلیهشده برای ماشینهای مجازی در شبکه های محاسباتی بصورت مناسب زمانبندی شوند تا زمان محاسبات، هزینه خدمات، اتلاف شبکه های محاسباتی و حداکثر ارتباط یک کار با شبکه به حداقل برسد. در این مقاله الگوریتم ترکیبی ازدحام ذرات و گرگ خاکستری برای مدیریت تخصیص منابع و زمانبندی وظایف برای دستیابی به یک نتیجه بهینه در شبکه های محاسبات لبه معرفی شد. نتایج مقایسه نشان دهنده بهبود زمان انتظار و هزینه در رویکرد پیشنهادی است. نتایج نشان می دهد که به طور میانگین مدل پیشنهادی با کاهش 10 درصدی زمان انجام کار و افزایش استفاده از منابع به میزان 16 درصد بهتر عمل کرده است.
پرونده مقاله
اکثر مدلهایِ پیشین مبتنی بر حراج در قیمت گذاریِ منابع ابری، از پیچیدگی بالای پیاده سازی در محیطهای ابر واقعی رنج می برند. لذا، چالش اصلی محققین طراحی مدل های قیمت گذاری پویایی است که بتوانند سه هدف زیر را تامین کنند: 1) پیچیدگی های محاسباتی پایین، 2) دقت بالا، و 3) سادگ چکیده کامل
اکثر مدلهایِ پیشین مبتنی بر حراج در قیمت گذاریِ منابع ابری، از پیچیدگی بالای پیاده سازی در محیطهای ابر واقعی رنج می برند. لذا، چالش اصلی محققین طراحی مدل های قیمت گذاری پویایی است که بتوانند سه هدف زیر را تامین کنند: 1) پیچیدگی های محاسباتی پایین، 2) دقت بالا، و 3) سادگیِ پیاده سازی در محیط ابر واقعی. CMM (Cloud Market Maker) یکی از مدلهای قیمت گذاری پویایِ محبوبی است که دو مزیتِ دقت محاسباتی و امکان اجرایی شدن در بازار واقعی ابر را دارد. این مدل بر پایه یک تابع خطی، قیمت پیشنهادی را محاسبه می کند. در طراحی این مدل خطی پارامترهای: فوریت خریدار، تعداد رقیبان و تعداد حریفان لحاظ شده اند. علی رغم مزایای این روش، نسبت اهمیت پارامترهای سازندۀ تابع محاسبه کننده قیمت در شرایط گوناگون بازار یکسان در نظر گرفته شده است. عدم توجه به این مساله، انعطاف پذیری سیستم و دقت محاسبات در تغییرات محسوسِ محیط بازار ابر را کاهش می دهد. لذا، نویسندگان در این مقاله بر روی طراحی یک سیستم هوشمند قیمت گذاریِ آگاه از بازار در سمت خریدارانِ سرویس ابری با هدف غلبه بر این مشکل متمرکز شده اند. در عین حال، سادگی پیاده سازیِ سیستم پیشنهادی در محیط ابر واقعی نیز می بایست تضمین شود. برای این منظور، سیستم هوشمند قیمت گذاری مبتنی بر عامل نرم افزاری با ترکیب راهکارهای ماشین بردار پشتیبان (SVM ) و فرآیند تحلیل سلسله مراتبی(AHP ) پیشنهاد شده است. نتایج شبیه سازی نشاندهندۀ کارایی مناسبتر راهکار پیشنهادی با نام DPMAدر در مقایسه با CMM است.
پرونده مقاله
در این مقاله مدلی مبتنی بر الگوریتمهای فراابتکاری برای تخصیص بهینه منابعدر اینترنت اشیا مبتنی بر محاسبات مه پیشنهاد شده است. در مدل پیشنهادی، ابتدا درخواست کاربر بهصورت یک جریان کاری به سیستم داده میشود؛ تا بهازای هر درخواست ابتدا نیازمندیهای منابع (قدرت پردازش، حا چکیده کامل
در این مقاله مدلی مبتنی بر الگوریتمهای فراابتکاری برای تخصیص بهینه منابعدر اینترنت اشیا مبتنی بر محاسبات مه پیشنهاد شده است. در مدل پیشنهادی، ابتدا درخواست کاربر بهصورت یک جریان کاری به سیستم داده میشود؛ تا بهازای هر درخواست ابتدا نیازمندیهای منابع (قدرت پردازش، حافظهی ذخیرهسازی و پهنای باند) استخراج میگردد. این مؤلفه وضعیت ترافیک درخواستی برنامه را از لحاظ بلادرنگ بودن تعیین میکند. درصورتیکه کاربرد مورد نظر بلادرنگ نباشد و در مقابل تأخیر تا حدودی مقاوم باشد، درخواست به محیط ابری ارجاع داده میشود، اما اگر برنامه کاربردی مورد نظر نیاز به پاسخگویی بلادرنگ داشته باشد و حساس به تأخیر باشد، بهصورت محاسبات مه با آن برخورد خواهد شد و به یکی از کلودلتها نگاشته خواهد شد. این این مرحله به منظور انتخاب بهترین راه حل در تخصیص منابع جهت سرویسدهی به کاربران محیط IoT، از الگوریتم بهینهسازی شیر مورچه استفاده شد. روش پیشنهادی در محیط نرمافزاری متلب شبیهسازی شده و برای ارزیابی عملکرد آن از پنج شاخص انرژی مصرفی سلولهای مه، زمان پاسخگویی، درجهی عدم تعادل سلولهای مه، تأخیر و پهنای باند استفاده گردیده است. بررسی یافتهها نشان میدهد که روش پیشنهادی، میزان انرژی مصرفی، نرخ تأخیر را در سلولهای مه، نرخ پهنای باند مصرفی، میزان تعادل بار و زمان پاسخگویی را در مقایسه با طرح پایه (ROUTER) به ترتیب 22، 18، 12، 22 و 47 درصد بهبود داده است.
پرونده مقاله