Manuscript ID : 1402062844098 Visit : 2852 Page: 62 - 76

Article Type: Original Research

WSTMOS: A Method For Optimizing Throughput, Energy, And Latency In Cloud Workflow Scheduling

Subject Areas : ICT

Arash Ghorbannia Delavar ^{1
*} , Reza Akraminejad ² , sahar mozafari ³

1 -
2 - payam noor
3 - Payam noor

Received: 2022-07-28 Accepted : 2022-12-31 Published : 2023-09-19

Keywords: Scheduling, Cloud Computing, Load Balancing, Energy, Cost, Batch Processing, Throughput,

Abstract :

Application of cloud computing in different datacenters around the world has led to generation of more co2 gas. In addition, energy and throughput are the two most important issues in this field. This paper has presented an energy and throughput-aware algorithm for scheduling of compressed-instance workflows in things-internet by cluster processing in cloud. A method is presented for scheduling cloud workflows with aim of optimizing energy, throughput, and latency. In the proposed method, time and energy consumption has been improved in comparison to previous methods by creating distance parameters, clustering inputs, and considering real execution time. In WSTMOS method by considering special parameters and real execution time, we managed to reach the optimized objective function. Moreover, in the proposed method parameter of time distance of tasks to virtual machines for reduction of number of migration in virtual machines was applied. In WSTMOS method by organizing the workflow inputs to low, medium and heavy groups and also by distributing appropriate load on more suitable servers for processors threshold, we accomplished to optimize energy and cost. Energy consumption was reduced by 4.8 percent while the cost was cut down by 4.4 percent using this method in comparison to studied method. Finally, average delay time, power and workload are optimized in comparison to previous methods.

References:

[1] م. نیک‌سرشت، م. راجی، "یک الگوریتم زمان‌بندی وظیفه چندهدفه بر اساس الگوریتم ژنتیک برای طراحی سیستم‌های نهفته" ، دوفصلنامه علمی فناوری اطلاعات و ارتباطات ایران، شماره 47 و 48، صفحه 186-197
[2] W. Dou, X. Xu, . S. Meng, . X. Zhang, . C. Hu, . S. Yu and . J. Yang, "An energy-aware virtual machine scheduling method for service QoS enhancement in clouds over big data." Concurr. Comput. Pract, p. Exp, vol. 29 e3909, 2016.
[3] A. Ghorbannia Delavar and . Y. Aryan, "HSGA: a hybrid heuristic algorithm for workflow scheduling in cloud systems." Cluster Comput (2014) 17, p. 129–137, 2013.
[4] N. J. Kansal and I. Chana, "Energy-aware Virtual Machine Migration for Cloud Computing .A Firefly Optimization Approach." Grid Computing, vol. 14, pp. 327-345, 2016.
[5] A. Mosa and N. W. Paton, "Optimizing virtual machine placement for energy and SLA in clouds using utility functions." Journal of Cloud Computing, vol. 5, no. 1, 2016.
[6] G. Portaluri, D. Adami, A. Gabbrielli and S. Giordano, "Power Consumption-Aware Virtual Machine Placement in Cloud Data Center." IEEE Transactions on Green Communications and Networking, vol. 1, no. 4, pp. 541-550, 2017.
[7] L. Pufahl, "Modeling and Executing Batch Activities in Business Processes (Ph.D. thesis)." 2018.
[8] L. Pufahl and D. Karastoyanova, "Enhancing Business Process Flexibility by Flexible Batch Processing." pp. 426-444, 2018.
[9] L. Pufahl, "Modeling and executing batch activities in business processes." 2018.
[10] V. Seethalakshmi, V. Govindasamy, V. Akila, G. Sivaranjini, K. Sindhuja and K. Prasanth, "A Survey Of Different Workflow Scheduling Algorithms In Cloud Computing." 2019.
[11] H. C. Y. T. S. Y. Xiaojun Ruan, "Virtual machine allocation and migration based on performance-to-power ratio in energy-efficient clouds." Future Generation Computer Systems, p. https://doi.org/10.1016/j.future.2019.05.036, 2019.
[12] M. Hussain, L.-F. Wei, A. Lakhan, S. Wali, S. Ali and A. Hussaina, "Energy and performance-efficient task scheduling in heterogeneous virtualized cloud computing." Sustainable Computing: Informatics and Systems, vol. 30, 2021.
[13] D. Sun, S. Gao, L. Xunyun, Y. Xindong and B. Rajkumar, "Dynamic redirection of real-time data streams for elastic stream." Future Generation Computer Systems, vol. 112, p. 193–208, 2020.
[14] Y. Wang, Z.-h. Jia and K. Li, "A multi-objective co-evolutionary algorithm of scheduling on parallel non-identical batch machines." Expert Systems With Applications,no. https://doi.org/10.1016/j.eswa.2020.114145, 2020.
[15] S. Taherizadeh and M. Grobelnik, "Key influencing factors of the Kubernetes auto-scaler for computingintensive microservice-native cloud-based applications." Advances in Engineering Software, vol. 140, 2020.
[16] B. Everman, M. Gao and Z. Zong, "Evaluating and reducing cloud waste and cost. A data-driven case study from Azure workloads." Sustainable Computing: Informatics and Systems, vol. 35, 2022.
[17] Yiping Wen, Zhibin Wang, Yu Zhang, Jianxun Liu, Buqing Cao and Jinjun Chen, "Energy and cost aware scheduling with batch processing for instance-intensive IoT workflows in clouds." vol. 101, pp. 39-50, 2019.
[18] R. medara and R. S. Singh, "A Review on Energy-Aware Scheduling Techniques for Workflows in IaaS Clouds." Wireless Personal Communications, vol. 116, 2022.

Full-Text:

دو فصلنامه علمي

فناوري اطلاعات و ارتباطات ایران

سال پانزدهم، شماره ‌57 و58 ، پاییز و زمستان 1402

صفحات:62 الی 76

$E:\E Drive\logo\iicta Logo0.JPG$

WSTMOS: A Method For Optimizing Throughput, Energy, And Latency In Cloud Workflow Scheduling

Arash Ghorbannia Delavar*, Reza Akraminejad** , Sahar Mozafari***

* Department of Computer Engineering and Information Technology, Payam Noor University of Tehran, P.O. Box 19395-4697, Tehran, Iran

** Department of Computer Engineering and Information Technology, Payam Noor University of Tehran, Tehran, Iran

*** Department of Computer Engineering and Information Technology, Payam Noor University of Tehran, Tehran, Iran

Abstract

The application of cloud computing in different datacenters around the world has led to the generation of more CO2 gas. In this paper, the energy and throughput-aware algorithm for scheduling instance-intensive IoT workflows with batch processing in clouds is studied, and a method for scheduling cloud workflows to optimize energy, throughput, and latency is introduced. In the proposed method, throughput, energy, and latency have been improved in comparison to previous methods by creating distance parameters, clustering inputs, and considering real execution time. In the WSTMOS method by considering special parameters and real execution time, we managed to reach the optimized objective function. Moreover, in the proposed method parameter of the time distance of tasks to virtual machines for decreasing the number of migrations in virtual machines was applied. In the studied method clustering the workflow inputs to low, medium, and high load groups and also distributing the load on more suitable servers by the use of the threshold detector, were done. The average energy, cost, average latency, throughput, and load balancing were optimized in comparison to previous studies. Finally, energy and cost were optimized on average by 4.8 and 4.4 percent respectively.

Keywords

Scheduling, Cloud Computing, Load Balancing, Energy, Cost, Batch Processing, Throughput.

WSTMOS: روشی جهت بهینه سازی توان عملیاتی، انرژی و تاخیر در زمانبندی جریان‏های کاری ابری

آرش قربان نیا دلاور×*،رضا اکرمی نژاد**،سحر مظفری**

*عضو هیأت علمی، گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور تهران، ص. پ. 4697-19395، تهران، ایران

**دانشجوی کارشناسی ارشد، گروه مهندسی کامپیوتر و فناوری اطلاعات دانشگاه پیام نور تهران، تهران، ایران

تاریخ دریافت: 06/05/1401 تاریخ پذیرش: 10/10/1401

نوع مقاله: پژوهشی

چکیده

استفاده از رایانش ابری در مراکز داده مختلف در سراسر دنیا، منجر به تولید بیشتر گاز دی‌اکسیدکربن می‌شود، که در آن مسئله انرژی و توان یکی از مسائل مهم می‏باشد. در این مقاله، الگوریتم آگاه به انرژی و توان عملیاتی برای زمان‌بندی جریان‏های کاری نمونه - فشرده اینترنت اشیا با پردازش دسته‌ای در ابرها مورد مطالعه قرارگرفته و روشی جهت زمان‌بندی جریان‏های کاری ابری برای بهینه سازی انرژی، توان عملیاتی و تاخیر ارائه‌ شده است. در روش پیشنهادی نسبت به روش قبلی، با ایجاد پارامترهای فاصله، دسته‌بندی ورودی‌ها و همچنین زمان اجرای واقعی، توان عملیاتی، انرژی و تاخیر بهینه شده است. روش WSTMOS با درنظرگرفتن پارامترهای شاخص و زمان واقعی، به تابع صلاحیت بهینه‌ای دست یافته است. همچنین در روش پیشنهادی از پارامتر فاصله زمانی وظیفه نسبت به ماشین‏های مجازی، برای کاهش تعداد مهاجرت‌های ماشین‏های مجازی، استفاده ‌شده است. در این مطالعه با دسته‌بندی ورودی‌های جریان کاری به گروه‏های کم، متوسط و پرحجم و همچنین توزیع بار مناسب بر روی سرورهای مناسب‌تر با استفاده از آشکارساز آستانه پردازنده‏ها، انجام شده است. میانگین انرژی، هزینه و میانگین تأخیر، توان و بار کاری نسبت به روش‌های قبلی بهینه ‌شده است. درنهایت میزان انرژی و هزینه به طور میانگین 4.8 و 4.4 درصد، نسبت به روش مورد مطالعه کاهش یافته است.

واژه‌های کلیدی: زمان‌بندی، محاسبات ابری، متعادل‌سازی بار، انرژی، هزینه، پردازش دسته‌ای، توان عملیاتی.

1.مقدمه

یکی از مسائل مهم نخبگان علمی در دهه20 زمان‏بندی جریان کار ابری می‏باشد که بهینه سازی توان عملیاتی و همچنین مصرف انرژی با انتخاب پارامترهای شاخص انجام شده است و همچنین کاهش تاخیر در طبقه‏بندی ورودی‏ها نکته‏ای مهم می‏باشد که در آن، هزینه و گرمای مرکز داده با ایجاد یک تعادل بار بهینه شده است [2].

نویسنده مسئول: آرش قربان نیا دلاور a_ghorbannia@pnu.ac.ir

تا حدود 300 میلیون وات را مصرف کرده‌اند. در سال ۲۰۱۳، مراکز داده‌ها در آمریکا، مجموعاً ۹۱ میلیارد کیلووات‌ساعت انرژی الکتریکی مصرف کرده و ۹۷ میلیون تن دی‌اکسیدکربن تولید کرده‌اند[4]. انتظار می‌رود انتشار دی‌اکسیدکربن تولید شده توسط فناوری اطلاعات و ارتباطات، از4,1 میلیارد تن متریک فراتر رود. تخمین زده می‌شود که مراکز داده‌ها مسئول حدود ۱۸% از کل انرژی مصرف‌شده توسط همه سیستم‌های اطلاعاتی و ارتباطی در جهان هستند؛ بنابراین، بسیاری از رویکردهای کارآمد در سطح ساختمان، در سیستم‌های خنک‌کننده، در شبکه مرکز داده‌ها و با استفاده از منابع محاسباتی، مورد بررسی قرار گرفته‌اند.

مجازی‎سازی، یک فناوری کلیدی برای دستیابی به بهره‌وری انرژی در مراکز داده‌ها است. فرایند تخصیص و زمان‌بندی منابع، روشی است که منابع موجود را به یک وظیفه اختصاص میدهند. ماشین‏های مجازی را می‏توان، ایجاد و حذف کرد و بسته به تصمیمات آگاه به توان، بین کامپیوترهای میزبان انتقال داد. مدیریت حافظه مجازی کارآمد در برنامه‌ریزی کار، تثبیت حجم کاری، خوشه‏بندی درخواست‏ها، انتخاب خدمات ابری یا محلی و غیره از مواردی هستند که حائز اهمیت بوده و همیشه موردتوجه قرار می‏گیرند[4] .

اختصاص منابع، به مقدار و زمان مشخصی انجام میشود. زمان‌بندی جریان کار برای این منظور استفاده می‏شود تا به وظایفی که به یکدیگر مرتبط هستند، زمان خاصی اختصاص داده شده و همچنین به ترتیب معینی اجرا شوند تا این تقسیم‌ کار به‌ صورت بهینه انجام شود.

فرایند زمان‌بندی به دو صورت ثابت و پویا انجام می‏شود:

· زمان‌بندی ثابت: در این مدل، زمان‌بند تمام اطلاعات در مورد هر وظیفه و منبع را قبل از خود وظیفه می‏داند. بار اضافی زمان اجرا ¹، کمینه است.

· زمان‌بندی پویا: قبل از اجرا، از اطلاعات آگاهی ندارد. در این زمان‌بندی، بار اضافی زمان اجرا بیشینه است. کل زمان اجرای وظیفه، تا زمانی که اجرا انجام نشود، معلوم نیست [4] .

در این تحقیق الگوریتم زمان‌بندی آگاه به انرژی و هزینه را، همراه با پردازش خوشه‏ای² برای جریان‏های کاری نمونه - فشرده اینترنت اشیا³ در ابر بررسی کرده‌ و روش جدیدی بر مبنای این الگوریتم ارائه داده‌ایم. همچنین میزان توان مصرفی، زمان تأخیر و پارامتر متعادل‏سازی بار را با چارچوب تغییر مسیر پویا که در دیتاست Microsoft Azure نسخه 2019 پیاده‏سازی شده است، مورد مطالعه قرارگرفته شده است[3]. در مطالعه ارائه ‌شده، زمان واقعی وظایف را با توجه به زمان درخواست و تصدیق، محاسبه و پارامتر فاصله در نظر گرفته‌ایم و دسته‏بندی وظایف را نیز به سه دسته کم، متوسط و با حجم بالا انجام داده‌ایم. در ادامه، ساختار تحقیق به شرح زیر است. در بخش 2 به بررسی کارهای مرتبط می‌پردازیم. در بخش 3 روش پیشنهادی را مورد بحث قرار می‌دهیم. در بخش 4 الگوریتم، شکل، تابع هدف و نوآوری‌های ارائه‌ شده را بیان می‌کنیم. در بخش 5 پارامترها و نتایج شبیه‌سازی و اطلاعات و نمودارهای به‌دست‌آمده را بررسی می‌کنیم. در انتها نیز در بخش 6 به کارهای آینده می‌پردازیم.

2.کارهای پیشین

مسئله مصرف انرژی و گرمای توان پردازشی پردازنده‏ها به یکی از نگرانی‌های اصلی در سراسر جهان تبدیل ‌شده است. تحقیقات و آثار زیادی در تلاش هستند تا مصرف انرژی را در ابرها را بهینه نمایند. مدل مصرف انرژی در سیستم‌های کامپیوتری، اولین مشکلی است که باید حل شود. علاوه بر مصرف انرژی، هزینه نیز یکی از مسائل می‏باشد که در نظر گرفته نشده است [2].

در [1] یک روش زمان‌بندی وظیفه ایستای چندهدفه برای طراحی دستگاه‌های نهفته ارائه ‌شده است. وظایف به‌ صورت یک گراف، مدل شده و با درنظرگرفتن یک زیرساخت سخت‌افزاری برای سیستم نهفته، روشی برای نگاشت و زمان‌بندی وظایف بر روی معماری سخت‌افزاری ارائه ‌شده است. در این روش زمان‌بندی پارامترهای زمان اجرای وظایف، انرژی مصرفی به‌عنوان اهداف بهینه‌سازی طی یک الگوریتم بهینه‌سازی ژنتیک بهینه ‌شده است اما دسته‌بندی ورودی‌ها و آستانه در نظر گرفته نشده است تا با استفاده از آن‌ها به انرژی بهینه‌تری برسد.

در رویکرد[4]، روش زمان‌بندی آگاه به انرژی برای ارسال وظایف به ماشین‌های فیزیکی با کم کردن مصرف انرژی تا حد امکان، برای کاهش مصرف انرژی و هزینه انجام‌گرفته شده است. با توجه با دسته‌بندی ورودی‌ها و همچنین فاصله می‌توان انرژی و هزینه را کاهش داد. الگوریتم‌های تکاملی بسیاری برای یافتن یک طرح زمان‌بندی گردش کار مؤثر پیشنهاد شده‌اند. در رویکرد [2]، روشی دو هدفه بر مبنای الگوریتم ژنتیک ایجاد کردند که زمان پاسخ را کوتاه می‏کند.

در [5] نیز یک تکنیک مهاجرت ماشین مجازی، مبتنی بر الگوریتم Firefly را انجام‌گرفته است.

استراتژی پیشنهادی در [12]، به طور پویا ماشین مجازی را به ماشین‌های فیزیکی اختصاص داده است تا میزان مصرف انرژی و توافق سطح خدمات را بهینه کند، درحالی‌که هدف اولیه رویکرد PPRGear⁴ این است که مصرف انرژی را بهینه نماید، اما دسته‌بندی ورودی‌ها و فاصله در نظر گرفته نشده است.

در [7] راهبردهای تخصیص حافظه مجازی را مطالعه کردند و در روش ⁵SDN ماشین های مجازی با توجه به تغییرات cpu، ram دیسک و پنهای باند، دسته بندی شدند. اما با افزایش ورودی‏های داده‏های نامتعادل، میزان مصرف انرژی و هزینه مورد توجه قرار نگرفته است.

در [13] الگوریتمی از نوع ابتکاری به نام EPETS ارائه ‌شده که به مبحث کاهش انرژی پرداخته است. در این الگوریتم دو مرحله زمان‌بندی وجود دارد که در مرحله اول بدون درنظرگرفتن انرژی، با توجه به زمان ضرب‌الاجل، زمان اجرای وظایف را کاهش می‏داد. در مرحله دوم، با درنظرگرفتن انرژی مصرفی و زمان ضرب‌الاجل، زمان‌بندی وظایف را انجام می‏داد. اما الگوریتم مورد مطالعه، وظایف ترتیبی که در جریان‏های کاری استفاده می‏شوند را استفاده نمی‏کرد و وظایف بدون ارتباط خاصی وارد سیستم می‌شدند.

در [14] چارچوبی جهت تغییر پویا در سیستم‌های محاسباتی با جریان‌های ارتجاعی، ارائه ‌شده است. در این روش، بررسی تغییر جهتِ دینامیکِ جریان‌های داده بلادرنگ، ارائه یک مدل برنامه کاربردی جریان عمومی و گروه‌بندی جریان داده، همچنین رسمی کردن مشکل بهینه‌سازی تعادل بار و تغییر جهت جریان داده در میان چندین نمونه از یک اپراتور در زمان اجرا، توسط یک استراتژی متعادل کردن وزن بالا برای بهبود تعادل بار یک مرکز داده در سطح دوبعدی در نظر گرفته ‌شده که به طور قابل‌توجهی در بهبود عملکرد در تأخیر سیستم، توان عملیاتی و معیارهای متعادل‌کننده بار مؤثر بوده و تأثیر قابل‌توجهی در کاهش هزینه در فضای ابری داشته است. اما مهم‌ترین نکته‌ای که در فضای ابری وجود دارد بحث انرژی می‌باشد که در نظر گرفته نشده است.

رویکرد پیشنهادی در [15]، به بررسی مشکل زمان‌بندی مجموعه‌ای از کارها در پردازش موازی پرداخته است که در آن ماشین‌ها دارای ظرفیت و قدرت پردازش متفاوت هستند، که هدف آن به حداقل رساندن زمان کل و میزان کل مصرف انرژی است که در آن وظایف دارای اندازه‏های متفاوت و زمان رسیدن دینامیک می‌باشند. در این روش برای پرداختن به مسئله بهینه‌سازی دو هدفه یک الگوریتم تکاملی سه جمعیتی انجام‌شده است. اما برای کاهش هزینه و افزایش توان عملیاتی و همچنین بهینه‏سازی مصرف انرژی موردی انجام نشده است.

در مقاله [16] عوامل تأثیرگذار بر خدمات ابری از جمله زمان اجرا و بار کاری در نظر گرفته ‌شده است و سه سناریوی بار کاری مختلف 1) الگوی بار کاری زیاد و قابل‏پیش‌بینی 2) الگوی بار کاری زیاد و غیر قابل‌پیش‌بینی و 3) الگوی بار کاری روشن - خاموش بررسی‌ شده است. اما به مسئله‌ی انرژی و هزینه اشاره‌ای نشده است.

در تحقیق [16] برای بررسی رفتار مصرف‌کنندگان در فضای ابری راهکارهای مناسبی جهت کاهش هزینه و ضایعات برای این فضای ابری وجود دارد. این مطالعه به بررسی این موارد با انجام یک تحلیل جامع از سوابق مایکروسافت 2019 Azure پرداخته و گام‌های ذیل را در پی گرفته است. نخست هزینه 6687 مصرف‌کننده Azure ابری را بررسی کرده که این تعداد تقریباً 2.7 میلیون ماشین مجازی ایجاد کرده‌اند. تعدادی زیادی از این ماشین‌های مجازی کم‌بار یا پربار برای منابع هستند. در گام دوم نقاط ضایعات فضای ابری Cwp))⁶را ارائه کرده است تا به‌ صورت کمی، میزان ضایعات هر ماشین مجازی را ارزیابی کند. به‌ علاوه ماشین‌های مجازی که منابع ابری را به‌ صورت بهینه مصرف می‌کنند، ماشین‌های مجازی سبز و آن‌هایی که منابع ابری را هدر می‌دهند، قرمز نام‏گذاری کرده است.

در گام سوم، شاخص ضایعات ابری که ((Cwi⁷ نامیده شده است را برای دسته‌بندی مصرف‌کنندگان Azure به‌عنوان قرمز، سبز، یا نرمال بر اساس میزان مصرف بهینه آن‌ها از منابع ابری، استفاده کرده است. به‌ علاوه نرخ استفاده از فضای ابری (Cus)⁸ را برای رتبه‏دهی به کارایی نسبی به مصرف‌کنندگان Azure با توجه به ضایعات ابری آن‌ها معرفی نموده و درنهایت الگوریتمی را برای مشخص کردن ماشین‌های مجازی قرمز ارائه و در آن آستانه را در نظر گرفته است. اما به دسته‌بندی ورودی‌ها اشاره‌ای نشده است.

در [12]، تأثیر سخت‌افزار و نرم‌افزارهای مختلف را بر روی مصرف انرژی سیستم‌های کامپیوتری، لیست کردند. آن‌ها دریافتند که پردازنده بخشی است که بیش‌ترین تأثیر را بر مصرف انرژی در سیستم‌ها، بین همه اجزا دارد. همچنین نشان دادند که استفاده از پردازش ماشین فیزیکی و مصرف انرژی به‌ صورت خطی نیست. آنها اطلاعات مربوط به استفاده از قدرت و کاربرد پردازنده را جمع‌آوری، و یک مدل مصرف توان بر اساس استفاده از پردازنده، و یک پیمانه⁹ نرم‌افزاری مجازی را طراحی نمودند. در مطالعه مذکور، زمان اجرا در نظر گرفته ‌شده است، درصورتی‌که اشاره‌ای به هزینه نشده است. مبحث انرژی و کاهش هزینه یکی از مسائل مهم در رایانش ابری می‌باشد که بیشتر الگوریتم‏ها آن را بهینه نموده‏اند اما روش پیشنهادی WSTMOS در مقایسه با روش‏های دیگر، پارامترهای فاصله و زمان اجرای واقعی را جهت این مهم استفاده کرده است. اما در روش‏های دیگر، این موارد به‌ صورت هم‌زمان در نظر گرفته نشده‏اند و همچنین در روش ارائه شده با استفاده از دسته بندی ورودی ها، فاصله، زمان اجرای واقعی پارامترهای توان عملیاتی و تاخیر نیز، علاوه بر موارد مذکور، بهینه شده‏اند.ند.d

جدول 1-مقایسه الگوریتم‏های مطالعه و ارائه شده

الگوریتم	انرژی	هزینه	توان عملیاتی	تاخیر	Load-balancing
ECIB	*	*
Dr-Stream			*	*	*
WSTMOS	*	*	*	*	*

3. مدل پیشنهادی

در این بخش جهت توصیف مدل ارائه شده، جریان کاری مورد مطالعه همراه با فرمول استفاده شده برای آن، پارامترهای مرکز داده ابری و همچنین مدل انرژی محاسبه شده را با جزئیات بررسی خواهیم کرد. در جدول 2 پارامترهای استفاده ‌شده در این تحقیق، بیان‌ شده است.

3،1 رابطه جریان کاری

چندین مدل مورد بررسی قرار گرفته که در الگوریتم پیشنهادی، استفاده ‌شده است.

هر جریان کاری در سیستم زمان‌بندی به‌ صورت یک گراف بدون دور جهت‌دار¹⁰ نشان داده شده است:

: اندیس جریان کاری

مجموعه وظایف در جریان کاری

مجموعه یال‏های گراف که ارتباط بین وظایف و ترتیب اجرای آن‏ها را نشان می‏دهد.

زمان مهلت پایان کار¹¹ کل گراف

مجموعه‏ای از گره‏های گراف که می‏توانند به‌ صورت خوشه‏ای پردازش شوند.

در مقاله [4] با توجه به تعداد بالای جریان‏های کاری نمونه - فشرده، تعداد کل جریان‏های کاری، مجموعه و که در آن تعداد کل جریان‏های کاری می‏باشد. مجموعه جریان‏های کاری از نوع است که تعداد کل نمونه جریان‏های کاری و ، jامین نمونه‏ی جریان کاری است.

پارامترهای شاخص استفاده شده در روش پیشنهادی در جدول 2 نشان داده شده است.

(1)

جدول 2- پارامترهای مورد استفاده در WSTMOS

برای بهینه‏سازی توان عملیاتی و تأخیر جریان‏های کاری که به‏صورت تصادفی ارائه شده است، ‏پارامتر اندازه پیچیدگی رأس و یال مورد استفاده واقع شده است.

3،2 مدل مرکز داده ابری

مرکز داده دارای M ماشین فیزیکی¹² و N ماشین مجازی می‏باشد که در زیر نمایش داده ‌شده است[4]:

	مجموعه سرورهای مرکز داده
	مجموعه ماشین‌های مجازی
	نرخ مصرف انرژی پایه برای ماشین
	درصد پردازنده ماشین در زمان t
	نرخ مصرف انرژی ماشین در زمان t
	فاصله زمان اجرا
	میانگین زمان تخصیص منابع
	زمان اجرای وظیفه
	زمان درخواست وظیفه
	زمان تصدیق وظیفه
	میزان فاصله وظیفه
	فاصله پیچیدگی رأس و اندازه یال
	احتمال اجرای وظیفه
	مجموعه وظایف جریان کاری i
	i امین میزان استفاده از cpu
	درصد استفاده از cpu در

3،3 مدل انرژی

(2)
(3)

که در آن نرخ مصرف انرژی پایه برای ، ثابتی است که به‌ صورت محاسبه می‏شود و نیز مصرف پردازنده ماشین در زمان t می‏باشد.

با استفاده از رابطه زیر محاسبه می‏شود:

(4)

کل انرژی ماشین ، در کل زمان، از رابطه زیر به دست می‏آید:

(5)

که در آن کل زمان عملکرد است[4] .

پردازش خوشه‏ای وظایف نیز، به تفضیل در [8]، [9] و [10] توضیح داده شده است. الگوریتم به‌کارگرفته‌شده در این مقاله، الهام گرفته از الگوریتم ECIB)) [4] می‏باشد که با ادغام نمودن پارامترها و محاسبه زمان واقعی اجرا و آستانه آشکارساز، انرژی را بهینه نموده است. پارامترهای توان عملیاتی و تاخیر در ECIB، در نظر گرفته نشده‏اند.

با مشاهده روش‏های بررسی شده و همچنین الگوریتم ECIB، مسئله مهمی که مورد مطالعه دقیق قرار نگرفته است، دسته‏بندی ورودی‏ها، فاصله و نیز زمان اجرای واقعی می‏باشد که در الگوریتم پیشنهادی، بهینه ‌شده است.

طراحی سیستم به این صورت می‏باشد که زمان‌بند در نظر گرفته‌شده، از چند الگوریتم تشکیل‌شده است. الگوریتم‏های بکار رفته به ترتیب پردازش خوشه‏ای، زمان‌بندی منابع¹³، بررسی بار اضافی¹⁴ و الگوریتم کاهش منابع¹⁵ می‏باشد.

4. الگوریتم ارائه ‌شده WSTMOS

فرایند کلی به این صورت است که در ابتدا با توجه به وظایفی که وارد مرکز داده4 می‌شوند، در ابتدای جریان کاری، برای وظیفه موردنظر، زمان پایانِ مهلت فرعی، محاسبه می‏شود و ماشین‏های مجازی فعال، بر اساس قیمتشان از ارزان‌تر به گران‏تر، مرتب می‏شوند. چنانچه زمان اجرای محاسبه ‌شده، از زمان پایانِ مهلت فرعی تجاوز نکند، این ماشین به وظیفه موردنظر اختصاص داده می‏شود. درغیراینصورت، باید الگوریتم ScaleUp صدا زده شود. یکی از مسائل زمان‌بندی، انرژی و هزینه در جریان کاری ابر، ماشین‏های مجازی می‌باشد. در این مقاله با کاهش انرژی، هزینه و همچنین وجود آستانه، نسبت به روش‏های مطالعه شده، آن را بهبود داده‌ایم. مراحل الگوریتم در شکل 1 و فلوچارت در شکل 2 نمایش داده شده است. در ابتدا الگوریتم WSTMOS که الگوریتم اصلی می‌باشد، چهار زیر الگوریتم BatchProcessing، ResourceScheduling، HandlingOveroad و ScaleDownResource را صدا می‌زند.

(6)

الگوریتم 1: WSTMOS

Input: I: Set of workflow instances

UT: CPU usage upper threshold

LT: CPU usage lower threshold

IT: The idle time threshold

PM: Set of PMs

Output: Resource scheduling policy

1: for each PM Ii∈I

2: RTi :BatchProcessing(Ii)

3: ResourceScheduling(Ii)

4: HandlingOverload(PM,UT)

5. ScaleDownResource(PM,LT,UT,IT)

6.end for

همان‌طور که در شکل 1 مشاهده می‌شود، بعد از ارسال لیست جریان‏های کاری، مدیر جریان کار، لیست را به تقسیم‏کننده جریان کار می‏فرستد و تقسیم‌کننده، وظایف را به دسته‏های کوچک، متوسط و بزرگ قسمت می‌کند و برحسب نیاز منبع که کار قبلی خود را به اتمام رسانده باشد، با وجود آستانه مشخص می‌شود که در کدام دسته کوچک، متوسط، و بزرگ قرارگرفته است. مفهوم دسته‌بندی با توجه به شکل 1 می‌تواند کارها را با تخصیص درست منابع وظایف در دسته‌بندی فوق قرار دهد و در این حالت انرژی و هزینه نسبت به روش‌های مورد مطالعه با این راهکار بهینه می‌شود و با توجه به حجم کاری و زمان ورود، خوشه‏بندی می‏کند. این فرایند دسته‏بندی در الگوریتم 2 که BatchProcessing نام دارد، انجام می‏شود.

در ادامه، الگوریتم ResourceScheduling ، زمان اجرا و فاصله را محاسبه کرده، و ماشین مناسب را در اختیار وظیفه قرار می‏دهد. هنگام کار سیستم، انرژی و هزینه مصرف‌شده در مرکز داده، محاسبه و ذخیره می‏شود. همچنین متعادل‏کننده بار¹⁶ با توجه به مقدار آستانه، مهاجرت ماشین مجازی و خاموش یا روشن کردن سیستم‌ها را بر عهده دارد.

معماری سیستم مقاله فارسی

شکل 1 - معماری سیستم WSTMOS

در شکل 1 شمای کلی از الگوریتم WSTMOS را مشاهده می‏کنیم. در ابتدا مجموعه جریان‏های کاری، با توجه به نوع 1 تا 4 وارد سیستم شده و مدیر جریان کاری، بعد از تشخیص نوع آن، جریان‏های کاری با به پارتیشن کننده تحویل می‏دهد و بسته به نوع درصدی که از که نیاز به استفاده از پردازنده توسط جریان کاری مذکور هست، آن‏را به دسته‏های کوچک، متوسط و بزرگ تقسیم کرده و وظایف دسته‏بندی شده به ارائه‏دهنده ماشین مجازی ارسال می‏شوند تا جهت دریافت منبع مناسب، با توجه به محاسبه‏گر فاصله و زمان واقعی اجرا، به آنها تحویل داده شود. در هر گام زمانی در فرایند زمانبندی، محاسبه‏گرهای انرژی و هزینه و همچنین متعادل‏کننده بار، مسئولیت مدیریت منابع و همچنین خاموش یا روشن نمودن ماشین‏های فیزیکی را با توجه به شرایط موجود دارند. در طبقه بندی داده، در صورتی که low سرریز شود، مهاجرت بر روی mid و high انجام می‏شود. سه وضعیت high، low و mid وجود دارد که بین 0 تا 30%، 30 تا 60% و بالاتر از 60% می‏باشد. زمانی که overload در low انجام می‏شود، می‏تواند به mid و همچنین از mid به high با زیر الگوریتم روش پیشنهادی انجام شود.

زمانی که پردازش دسته‌ای روی محدوده تعریف شده است، می‌توان آستانه تخمین زده شده توسط تابع صلاحیت استفاده نمود و برای اختصاص دسته‏های وظایف به منابع در نظر گرفت. با این شرایط تصمیم‌گیری، هزینه و انرژی نسبت به روش مورد مطالعه کاهش داده شده است و این کار توانسته اتلاف انرژی و هزینه کمتری داشته باشد.

در شکل 2، ابتدا گره‏های ورودی دریافت و بر اساس زمان ورود و زمان پایانِ مهلت برای وظیفه، مرتب می‏شوند.

الگوریتم 2: BatchProcessing

Input:Ii :Set of workflow instance of Wi

Output:RTi:Set of activity instances ready for

Scheduling of Wi

1:for each Iij ∈Ii

2: while Tijk is ready

3. If Tijk is a

batch – processing activity instance

Tijk to Waiting Queue

4. add

5. else

6: add Tijk to RTi

7. end if

8. end while

9.end for

$D:\uni\پیام نور\پایان نامه خودم\مقاله ژورنال\Corel files\clustering pictures\Flochart مقاله فارسی.emf$

شکل 2 - فلوچارت الگوریتم WSTMOS

سپس گره‏های خوشه‌بندی‌شده، و ماشین‏های مجازی موجود در مرکز داده، به‌ صورت صعودی نسبت به پارامتر هزینه ماشین در ساعت، مرتب می‏شوند. بعد از محاسبه فاصله و زمان واقعی اجرای وظیفه بر روی ارزان‏ترین ماشین، چنانچه قبل از زمان پایانِ مهلت، انجام شود، وظیفه به ماشین انتقال داده می‏شود، در غیر این صورت، زمان، جهت ایجاد ماشین مجازی جدید با درنظرگرفتن 15 ثانیه زمان روشن شدن، محاسبه می‏شود. چنانچه سروری وجود نداشته باشد که ماشین مجازی جدید در آن انتقال داده شود، الگوریتم ScaleUp صدا زده‌شده و زمان روشن شدن سرور که 90 ثانیه هست، در نظر گرفته می‏شود. بعد از انتساب وظیفه به ماشین موردنظر، چنانچه وظیفه دیگری بود، وظایف فرزند به ماشین داده می‏شوند، در غیر این صورت، وظیفه‏ای در صف نیست و شبیه‏سازی به اتمام می‏رسد.

4،1 زمان اجرای واقعی

در الگوریتم زمان‌بندی، هنگامی‌که منبع موردنیاز استفاده و همچنین وظیفه نیز تخصیص داده شد، زمان واقعی اجرا محاسبه می‏شود. با توجه به مدتی زمان کوتاهی که طول می‏کشد تا وظیفه به منبع اختصاص یابد، زمان واقعی درصدی از زمان اتمام شده است که در روابط زیر محاسبه ‌شده است:

پارامترهای α و β در شبیه‏سازی استفاده ‌شده‌اند. از این رابطه در خط 7 الگوریتم 3، وقتی‏که می‏خواهیم زمان اتمام کار وظیفه را بر روی ماشین مجازی محاسبه کنیم، استفاده کرده‏ایم.

(7)
(8)
(9)
(10)
(11)
(12)

الگوریتم 3: ResouceSceduling

Input: RTi :Set of activity instances of Wi

ready for scheduling

APM:Set of active PMs

Output: Resouce scheduling policy

1: for each activity instance rtia in RTi

2: calculate the sub-deadline SD( rtia )

3: sort VMs by ascending order of price

4: sort activities by ascending arrival

time and sub-deadline

5: group activities by arrival time

6: for each VM

7: finish time = Te+ γTe – (α + β)Te

9: if finish time < SD(rtia)

10: assign rtia to that vm

11: FindFlag=True

12: end if

13: end for

14: if FindFlag==False

15: ScaleUp(rtia)

16: end if

17: end for

4،2 فاصله

برای انتقال وظیفه به ماشین مجازی اختصاص ‌یافته، پارامتر جدید فاصله را ایجاد کرده‌ایم که روابط آن به‌ صورت زیر است:

الگوریتم 4: ScaleUp

Input: : The activity should be executed

Output: Resource scheduling policy

1: select pm in PMs with minimum resource usage

2: find Vm with minimum MIPS which can execute activity in time lower than sub-deadline, with notice to power on vm in 15s

3: if vm can be created on pm

4: create vm on pm and execute on vm

5: else

6: power on a new pm which can have that vm with pm power on time 90s + vm power on time 15s and execute on vm

7: end if

پارامتر γ در شبیه‏سازی استفاده ‌شده است. این رابطه نیز در خط 7 الگوریتم 3 استفاده ‌شده است. نیز میانگین زمان تخصیص منابع، که شامل فاصله پیچیدگی راس، فاصله اندازه یال و همچنین دسته‏بندی داده‏ها در زمان‏بندی جریان کاری در نظر گرفته شده است.

با مشخص شدن پارامتر مقادیر و سپس نشان داده می‏شود و مقادیر و نیز با آشکارساز آستانه و همچنین زمان واقعی مشخص شده است.

4،3 دسته‏بندی برحسب زمان ورود

در هنگام زمان‌بندی، وقتی‌که می‌خواهیم وظیفه‏ای را به منبعی منتسب کنیم، به‌جای آنکه در همان لحظه ورود این کار را انجام دهیم، با توجه به اینکه نرخ ورود وظایف در بازه زمانی کوتاه و تعداد بالایی است، نرخ ورود را دسته‌بندی می‏کنیم و هنگامی‌که کل وظایف در زمان موردنظر رسیدند، ماشین مجازی اختصاص ‌داده ‌شده است.

5 شبیه‌سازی

جهت شبیه‏سازی از نرم‏افزار Cloudsim 3.0.3استفاده‌ شده است. برای شروع شبیه‌سازی پارامترهای مورد استفاده در جدول 2 نشان داده شده است.

3 نوع ماشین فیزیکی برای مرکز داده در نظر گرفته‌ شده است که نوع آن‌ها و مصرف پایه‏ای انرژی‏شان در حالت سکون در جدول 2 آمده است. در جدول 3 نیز انواع ماشین‏های مجازی که در شبیه‏سازی استفاده ‌شده‌اند، به همراه قیمت آن‌ها در هر ساعت، نشان داده شده است. توجه داشته باشید که چنانچه یک ماشین مجازی کمتر از یک ساعت روشن باشد، همان هزینه یک ساعت محاسبه می‏شود. با توجه به اینکه جریان‏های کاری نمونه - فشرده، ساختار ساده‏تری نسبت به جریان‏های کاری علمی دارند و وظایف آن‏ها ساده‏تر است، 4 نوع جریان کاری برای آزمایش در نظر گرفته‌شده است که در شکل‏های 3 (الف) تا (د) مشاهده می‏کنیم.

(13)
(14)
(15)
(16)
(17)

جدول 3-انواع ماشین‌های فیزیکی

نام ماشین فیزیکی	مصرف پایه‏ای انرژی در حالت سکون (برحسب وات)	سرعت هسته (برحسبMips)
HP ProLiant ML110 G4 (Intel Xeon 3040, dual-Processor clocked at 1860 MHz, 4 GB of RAM)	86w	1860
HP ProLiant ML110 G5 (Intel Xeon 3075, dual-Processor clocked at 2660 MHz, 4 GB of RAM)	93.7w	2660
HP ProLiant SL390s G7 (Intel Xeon 5649, dual-Processor clocked at 3060 MHz, 16 GB of RAM)	192w	3060

جدول 4-انواع ماشین‌های مجازی

نوع ماشین	ظرفیت پردازش (Mips)	قیمت ($)
m4.large	1000	0.1
m4.xlarge	2000	0.2
m4.2xlarge	4000	0.4

خطوطی که به ‏صورت خط‌چین به دور بعضی از وظایف کشیده شده است، نشان‌دهنده این است که می‏توان آن‏ها را همراه با وظایف هم‏نامشان در جریان‏های کاری دیگر، خوشه‏ای پردازش کرد.

5،1 جریان‌های کاری استفاده‌ شده

در شبیه‏سازی، 4 جریان کاری انتخاب ‌شده است که در شکل‏های 3 )الف( تا )د( نشان داده شده است.

شکل 3- جریان کاری (الف)

شکل 3- جریان کاری (ب)

شکل 3- جریان کاری (ج)

شکل 3- جریان کاری (د)

وظایف بنفش رنگ که دور آن‌ها خط‏چین کشیده شده، به این معنی است که می‏توانند به‌ صورت خوشه‏ای پردازش شوند.

5،2 مجموعه داده¹⁷ استفاده‌ شده

بار کاری برای هر وظیفه، عددی تصادفی بین 200 تا 400 Mips و زمان پایانِ مهلت برای هر جریان کاری، زمانی تصادفی بین 300 تا 360 ثانیه در نظر گرفته ‌شده است. همچنین زمان ورود هر وظیفه، زمانی تصادفی بین 0 تا 10 ثانیه می‏باشد.

فرمت مجموعه ‌داده‌ها، از نوع فایل‏های csv¹⁸ است. ساختار به این شکل است که داده‏های هر رکورد، در یک سطر قرار دارند، و فیلدها با کاراکتر “,” از هم جدا می‏شوند. با زدن Enter، ستون جدیدی در نظر گرفته می‏شود.

جدول 5- توضیحات مجموعه ‌داده

نام داده	توضیحات
Index	ایندکس وظیفه
Task Length	اندازه بار کاری وظیفه
Batch	آیا وظیفه به‌ صورت خوشه‏ای اجرا می‏شود
GroupingChar	نوع خوشه‏بندی
Arrival Time	زمان ورود
Sub-deadline	زمان مهلت پایان محاسبه‌شده
Task Name	نام وظیفه

یک نمونه مجموعه ‌داده استفاده ‌شده به‌ صورت (0.399,fasle,30,0,101,A) است. این سطر 9 فیلد دارد، 0 شماره‏ی رکورد، 399 بار کاری لازم برای وظیفه، false فیلدی از نوع bool که نشان می‏دهد وظیفه نمی‏تواند به ‏صورت خوشه‏ای پردازش شود، 30، GroupingChar است که قبلاً استفاده می‏شده و برای مقالات قبلی بوده، 0 زمان ورود، 101 زمان پایانِ مهلت برای وظیفه (همان Sub-Deadline است که در هنگام ایجاد جریان‏های کاری تصادفی با توجه به زمان پایانِ مهلت کلی، محاسبه می‏شود) و A نام وظیفه در جریان کاری است. در جدول 5، توضیحات مربوط به داده‏های فایل ورودی، آمده است.

5،3 نمودارهای انرژی و بررسی نتایج حاصل

همان‌طور که در نمودارهای انرژی با توجه به 4 جریان کاری که در نظر گرفته شد، 4 نمودار انرژی به دست آمد که الگوریتم پیشنهادی WSTMOS با الگوریتم ECIB وECI مقایسه شده است.

ECI همان الگوریتم ECIB هست، فقط پردازش خوشه‌ای در آن انجام ‌نشده است.

برای ECIB و WSTMOS نیز، اندازه خوشه¹⁹، 20 وظیفه در نظر گرفته ‌شده است. تعداد جریان‏های کاری ورودی در هر شبیه‏سازی از 5000 تا 30000 بوده و در هر مرحله، 5000 تا جریان کار جدید اضافه ‌شده است. در نتیجه برای هر جریان کاری، 6 شبیه‎سازی انجام‌ شده است. شکل‏های 4 (الف) تا (د) نشان داده شده است، برای جریان کاری (الف) انرژی به‌ وضوح کاهش ‌یافته است.

برای جریان کاری (ب)، تا وقتی اندازه تعداد ورودی‏ها 25000 تا است، انرژی نزدیک است، ولی در 30000 تا، کاهش ‌یافته است.

در جریان کاری (ج)، انرژی برای تعداد ورودی جریان کاری تا 25000 نزدیک می‏باشد، اما از 30000 به بعد، انرژی کاهش ‌یافته است.

در جریان کاری (د) نیز، انرژی در اکثر تعداد ورودی‏ها، متناسب با الگوریتم ECIB است، ولی در تعداد 10000 و 30000 انرژی کاهش‌ یافته است.

fig9-a

شکل 4- نمودار انرژی جریان کاری (الف)

fig9-b

شکل 4- نمودار انرژی جریان کاری (ب)

fig9-c

شکل 4- نمودار انرژی جریان کاری (ج)

fig9-d

شکل 4- نمودار انرژی جریان کاری (د)

5،4 نمودارهای هزینه و بررسی نتایج حاصل

در شکل‏های 5، )الف( تا )د( نیز، تعداد ورودی‏ها مطابق با نمودارهای انرژی می‏باشد. در نمودار جریان کاری (الف)، در تمام موارد کمی، کمتر ازECIB می‌باشد، ولی در ورودی 15000 تا هزینه بیشتر کاهش‌ یافته است.

برای جریان کاری (ب)، هزینه در تمام موارد نزدیک به ECIB است، فقط در تعداد 30000 تا، کمی کاهش‌ یافته است.

برای جریان کاری (ج)، هزینه در ورودی 20000 تا، کمی کاهش‌ یافته است و برای جریان کاری (د) نیز هزینه تقریباً برابر است.

fig10-a

شکل 5- نمودار هزینه جریان کاری (الف)

fig10-b

شکل 5- نمودار هزینه جریان کاری (ب)

fig10-c

شکل 5- نمودار انرژی جریان کاری (ج)

fig10-d

شکل 5- نمودار هزینه جریان کاری (د)

5،5 نمودارهای مقایسه با الگوریتم Dr- Stream

محور X نشان داده نرخ ورود داده‌هاست و محور Y نشان‌دهنده میانگین تأخیر یا همان Average Latency می‌باشد.

AverageLatency

شکل 6- میانگین تأخیر

در ابتدا با نرخ ورود داده 1000، تأخیر در Storm ، 50 میلی‌ثانیه و در Dr-stream ، 40 میلی‌ثانیه و در WSTMOS ، 30 میلی‏ثانیه بود. برای تمام ورودی‌ها، WSTMOS میانگین تأخیر 160 و برای Dr-stream 183.11 می‌باشد کهWSTMOS نسبت به Dr-stream، 12% کاهش‌یافته است. در ادامه به بررسی میزان توان پردازشی²⁰ پرداخته‌ایم.

شکل 7- میانگین توان مصرفی

در شکل 7 میزان میانگین Throughput برای سه الگوریتم Storm، Dr-stream و WSTMOS آمده است. میانگین کل توان پردازشی تمام ورودی‌ها برای WSTMOS و Dr-stream به ترتیب، 1669.44 و 1580 می‌باشد که WSTMOS نسبت به Dr-stream 5% و 16% بهینه ‌شده است.

در شکل 8 میانگین Load Balancing نشان داده شده است. در این نمودار، محور عمودی نشان‌دهنده میانگین لود Cpu در مرکز داده است، که هرچقدر پایین‌تر باشد، بهتر است.

AveragBalancing

شکل 15- میانگین متعادل سازی بار

شکل 8-میانگین متعادل‌سازی بار

میزان میانگین کل ورودی‌های متعادل‏کننده²¹، برای الگوریتم‌هایWSTMOS و Dr-stream به ترتیب برابر با 2%، و 2.4% می‌باشد که نسبت کاهش WSTMOS به Dr-stream 15% می‌باشد. مشاهده می‌کنیم که با افزایش نرخ ورود، میزان Load-Balancing بسیار به الگوریتم Dr-stream میل می‌کند.

در جدول 6 میانگین بهینه‏ شدن تأخیر، توان مصرفی و متعادل‏سازی بار نسبت به الگوریتم Dr-stream آمده است.

جدول 6- میانگین بهینه شدن پارامترها نسبت

به الگوریتم Dr-stream

میانگین بار کاری	میانگین توان	میانگین تأخیر	الگوریتم
2.4%	1669.44	160	WSTMOS
15%	1580	183.11	Dr-Stream

الگوریتم‏های ECIB و ECI را به‌عنوان معیار²² در نظر گرفتیم. با توجه به آزمایش‌های انجام‌ شده، میزان انرژی به طور میانگین 4.8 درصد و هزینه 4.4 درصد، کاهش یافت.

همان‌طور که در جدول‏های 7 و 8 نشان داده شده است، نتایج آزمایش‏های با نتایج الگوریتم معیار، مقایسه شده و در اکثر موارد، انرژی و هزینه کاهش ‌یافته است. برای نمونه، میانگین درصد کاهش انرژی برای جریان کاری (الف) تا 11,2 درصد کاهش داشته که بیشترین مقدار بود. کمترین مقدار نیز برای جریان کاری (ب) است که 1,2 درصد بوده است. اما در همه موارد میانگین انرژی کاهش یافت.

در مورد هزینه نیز، میانگین نسبت به میانگین انرژی کاهش کمتری داشته، و بیشترین کاهش هزینه مربوط به جریان کاری (الف) است که 3,6 درصد بود.

جدول 7- میانگین درصد کاهش انرژی در

مقایسه با ECIB و Dr-Stream

جریان کاری	میانگین درصد کاهش
الف	11,2
ب	2,1
ج	2,5
د	3,4

جدول 8- میانگین درصد کاهش هزینه در

مقایسه با ECIB و Dr-Stream

جریان کاری	میانگین درصد کاهش
الف	6,3
ب	5,8
ج	2,1
د	3,7

6 نتیجه‏گیری و کارهای آتی

با مواردی که انجام شد، مصرف انرژی را در مراکز داده بررسی کردیم. همان‌طور که اشاره شد، میزان انرژی استفاده ‌شده در مراکز داده، از مهم‌ترین عامل‏ها می‏باشد که بر محیط‌ زیست تأثیر مهمی دارد. الگوریتم WSTMOS را معرفی نمودیم که الهام گرفته از الگوریتم ECIB بوده است.

در روش ارائه ‌شده، قابلیت زمان‌بندی بر اساس دسته‏بندی نرخ ورود داده‏ها به الگوریتم اضافه شد، همچنین محاسبه زمان واقعی اجرای وظیفه در جریان کاری و پارامتر فاصله در این محاسبه، را در نظر گرفتیم. برای آزمایش‌ها نیز از نرم‌افزار Cloudsim نسخه 3.0.3 استفاده‌ شده است و به بررسی انرژی مصرفی و هزینه در 4 جریان کاری انتخابی پرداخته شد.

با توجه به دسته‏بندی انجام ‌شده بر اساس داده‏های ورودی، در آینده این روش را می‏توان با گردآوری نرخ ورود و اجرای الگوریتم‏های هوش مصنوعی، ازجمله شبکه‏های عصبی²³یا الگوریتم‏های خوشه‏بندی²⁴، برای درصد بالایی از ورودی‏ها بهینه نمود.

مراجع

[1] م. نیک‌سرشت، م. راجی، "یک الگوریتم زمان‌بندی وظیفه چندهدفه بر اساس الگوریتم ژنتیک برای طراحی سیستم‌های نهفته" ، دوفصلنامه علمی فناوری اطلاعات و ارتباطات ایران، شماره 47 و 48، صفحه 186-197، بهار و تابستان 1400

[2]	A. Ghorbannia Delavar and . Y. Aryan, "HSGA: a hybrid heuristic algorithm for workflow scheduling in cloud systems." Cluster Comput (2014) 17, p. 129–137, 2013.
[3]	https://github.com/Azure/AzurePublicDataset/blob/master/AzureFunctionsDataset2019.md
[4]	W. Dou, X. Xu, . S. Meng, . X. Zhang, . C. Hu, . S. Yu and . J. Yang, "An energy-aware virtual machine scheduling method for service QoS enhancement in clouds over big data." Concurr. Comput. Pract, p. Exp, vol. 29 e3909, 2016.
[5]	N. J. Kansal and I. Chana, "Energy-aware Virtual Machine Migration for Cloud Computing .A Firefly Optimization Approach." Grid Computing, vol. 14, pp. 327-345, 2016.
[6]	A. Mosa and N. W. Paton, "Optimizing virtual machine placement for energy and SLA in clouds using utility functions." Journal of Cloud Computing, vol. 5, no. 1, 2016.
[7]	G. Portaluri, D. Adami, A. Gabbrielli and S. Giordano, "Power Consumption-Aware Virtual Machine Placement in Cloud Data Center." IEEE Transactions on Green Communications and Networking, vol. 1, no. 4, pp. 541-550, 2017.
[8]	L. Pufahl, "Modeling and Executing Batch Activities in Business Processes (Ph.D. thesis)." 2018.
[9]	L. Pufahl and D. Karastoyanova, "Enhancing Business Process Flexibility by Flexible Batch Processing." pp. 426-444, 2018.
[10]	L. Pufahl, "Modeling and executing batch activities in business processes." 2018.
[11]	V. Seethalakshmi, V. Govindasamy, V. Akila, G. Sivaranjini, K. Sindhuja and K. Prasanth, "A Survey Of Different Workflow Scheduling Algorithms In Cloud Computing." 2019.
[12]	H. C. Y. T. S. Y. Xiaojun Ruan, "Virtual machine allocation and migration based on performance-to-power ratio in energy-efficient clouds." Future Generation Computer Systems, p. https://doi.org/10.1016/j.future.2019.05.036, 2019.

[1] Runtime overload

[2] Batch processing

[3] Internet of Things (IoT)

[4] Performance-to-power-ratio

[5] Software-Defined Network

[6] Cloud Waste Points

[7] Cloud Waste Indicator

[8] Cloud Utilization Score

[9] Module

[10] DAG (Directed Acyclic Graph)

[11] Deadline

[12] Physical machine (Host)

[13] Resource scheduling

[14] Handling overload

[15] Scale Down resources

[16] Load Balancer

[17] Dataset

[18] Comma-separated values

[19] BatchSize

[20] Throughput

[21] Load-Balancing

[22] Benchmark

[23] Neural network

[24] Clustering

[13]	M. Hussain, L.-F. Wei, A. Lakhan, S. Wali, S. Ali and A. Hussaina, "Energy and performance-efficient task scheduling in heterogeneous virtualized cloud computing." Sustainable Computing: Informatics and Systems, vol. 30, 2021.
[14]	D. Sun, S. Gao, L. Xunyun, Y. Xindong and B. Rajkumar, "Dynamic redirection of real-time data streams for elastic stream." Future Generation Computer Systems, vol. 112, p. 193–208, 2020.
[15]	Y. Wang, Z.-h. Jia and K. Li, "A multi-objective co-evolutionary algorithm of scheduling on parallel non-identical batch machines." Expert Systems With Applications,no. https://doi.org/10.1016/j.eswa.2020.114145, 2020.
[16]	S. Taherizadeh and M. Grobelnik, "Key influencing factors of the Kubernetes auto-scaler for computingintensive microservice-native cloud-based applications." Advances in Engineering Software, vol. 140, 2020.
[17]	B. Everman, M. Gao and Z. Zong, "Evaluating and reducing cloud waste and cost. A data-driven case study from Azure workloads." Sustainable Computing: Informatics and Systems, vol. 35, 2022.
[18]	Yiping Wen, Zhibin Wang, Yu Zhang, Jianxun Liu, Buqing Cao and Jinjun Chen, "Energy and cost aware scheduling with batch processing for instance-intensive IoT workflows in clouds." vol. 101, pp. 39-50, 2019.
[19]	R. medara and R. S. Singh, "A Review on Energy-Aware Scheduling Techniques for Workflows in IaaS Clouds." Wireless Personal Communications, vol. 116, 2022.

An Information Architecture Framework for Utilizing Social Networks in Iranian Higher Education System
Print Date : 2019-11-08
The Impact of IQ Imbalance on the BER of Adaptive Modulation in the MIMO System
Print Date : 2019-11-08
Design and implementation of a fuzzy expert system for suspicious behavior detection in e-banking system
Print Date : 2019-11-08
A new reinforcement learning based multi-agent method for traffic shaping and buffer allocation in routers
Print Date : 2019-11-08
Evaluation of SIP signaling implementation using QoS parameters
Print Date : 2019-11-08
COBIT A Suitable Framework for Measuring IT Governance in Organizations
Print Date : 2019-11-08

Share To

Article Url

WSTMOS: A Method For Optimizing Throughput, Energy, And Latency In Cloud Workflow Scheduling