Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
EPBLA: hợp nhất máy ảo tiết kiệm năng lượng sử dụng học tự động trong các trung tâm dữ liệu đám mây
Tóm tắt
Nhu cầu cao về năng lực tính toán từ doanh nghiệp, khoa học và các ứng dụng đã dẫn đến việc tạo ra các trung tâm dữ liệu quy mô lớn tiêu tốn một lượng năng lượng khổng lồ. Mức tiêu thụ năng lượng cao này không chỉ tạo ra chi phí vận hành đáng kể mà còn ảnh hưởng tiêu cực đến môi trường (phát thải khí nhà kính). Một giải pháp đầy hứa hẹn để giảm lượng năng lượng sử dụng bởi các trung tâm dữ liệu là hợp nhất các máy ảo (VM) cho phép một số máy chủ chuyển vào chế độ ngủ tiêu thụ thấp. Việc di chuyển (thay thế) động các VM giữa các máy chủ vật lý là một chiến lược hiệu quả để đạt được hợp nhất VM. Di chuyển động không chỉ tiết kiệm năng lượng bằng cách di chuyển các VM được lưu trữ bởi những máy chủ nhàn rỗi mà còn có thể tránh điểm nóng bằng cách di chuyển VM từ những máy chủ bị sử dụng quá mức. Trong bài báo này, chúng tôi giới thiệu một phương pháp mới, gọi là phân bổ mở rộng bởi học tự động (EPBLA), dựa trên học tự động cho việc thay thế động các VM trong các trung tâm dữ liệu nhằm giảm tiêu thụ năng lượng. EPBLA bao gồm hai phần (i) một sơ đồ phần thưởng hình phạt tuyến tính, là một học tự động với tập hành động hữu hạn chạy trên mỗi máy chủ để thực hiện việc phân bổ VM hoàn toàn phân tán lấy mức sử dụng CPU làm tiêu chí phân loại các máy chủ, và (ii) một học tự động với tập hành động liên tục như một chính sách để chọn máy chủ có tải nhẹ khởi động quá trình di chuyển. Một khối lượng công việc thực tế được sử dụng để đánh giá phương pháp được đề xuất. Kết quả mô phỏng cho thấy hiệu quả của EPBLA trong việc giảm tiêu thụ năng lượng từ 20% đến 30% so với PBLA và Firefly, tương ứng.
Từ khóa
#máy ảo #hợp nhất năng lượng #học tự động #trung tâm dữ liệu #tiêu thụ năng lượngTài liệu tham khảo
Barroso, L.A., Hölzle, U.: The Datacenter as a Computer: An Introduction to the Design of Warehouse-Scale Machines. Morgan & Claypool Publishers, San Rafael (2009)
Beloglazov, R. B.: Energy efficient resource management in virtualized cloud data centers. In: 10th IEEE/ACM International Conference on Cluster, Cloud and Grid Computing, pp. 826–831, Melbourne, Australia, 17–20 May (2010)
Babiceanu, R.F., Seker, R.: Big data and virtualization for manufacturing cyber-physical systems: a survey of the current status and future outlook. Comput. Ind. 81, 128–137 (2016)
Lu, Y., Xu, X.: Resource virtualization: a core technology for developing cyber-physical production systems. J. Manuf. Syst. 47, 128–140 (2018)
Rasouli, N., Meybodi, M.R., and Morshedlou, H.: Virtual machine placement in cloud systems using learning automata. In: 2013 13th Iranian Conference on Fuzzy Systems (IFSC). IEEE (2013)
Hu, C., Xu, C., Cao, X., Zhang, P.: Study on the multi-granularity virtualization of manufacturing resources. In: ASME 2013 International Manufacturing Science and Engineering Conference collocated with 41st North American Manufacturing Research Conference of the American Society of Mechanical Engineers (2013)
Beloglazov, A., Abawajy, J., Buyya, R.: Energy-aware resource allocation heuristics for efficient management of data centers for cloud computing. Fut. Gener. Comput. Syst. 28(5), 755–768 (2012)
Tsai, J.-T., Fang, J.-C., Chou, J.-H.: Optimized task scheduling and resource allocation on cloud computing environment using improved differential evolution algorithm. Comput. Oper. Res. 40(12), 3045–3055 (2013)
Wei, W., Gu, H., Lu, W., Zhou, T., Liu, X.: Energy efficient virtual machine placement with an improved ant colony optimization over data center networks. IEEE Access 7, 60617–60625 (2019)
Liu, X.-F., Zhan, Z.-H., Deng, J.D., Li, Y., Gu, T., Zhang, J.: An energy efficient ant colony system for virtual machine placement in cloud computing. IEEE Trans. Evol. Comput. 22(1), 113–128 (2016)
Ahmed, A., Ibrahim, M.: Analysis of energy saving approaches in cloud computing using ant colony and first fit algorithms. Int. J. Adv. Comput. Sci. Appl. 8, 248 (2017)
Barlaskar, E., Singh, Y.J., Issac, B.: Energy-efficient virtual machine placement using enhanced firefly algorithm. Multiagent Grid Syst. 12(3), 167–198 (2016)
Zhao, D.-M., Zhou, J.-T., Li, K.: An energy-aware algorithm for virtual machine placement in cloud computing. IEEE Access 7, 55659–55668 (2019)
Alresheedi, S., Lu, S., Elaziz, M.A., Ewees, A.A.: Improved multi objective slap swarm optimization for virtual machine placement in cloud computing. Human-centric Comput. Inf. Sci. 9(1), 15 (2019)
Nguyen, T.H., Di Francesco, M., and Yla-Jaaski, A.: Virtual machine consolidation with multiple usage prediction for energy-efficient cloud data centers. In: IEEE Transactions on Services Computing (2017)
Shu, W., Wang, W., Wang, Y.: A novel energy-efficient resource allocation algorithm based on immune clonal optimization for green cloud computing. EURASIP J. Wirel. Commun. Netw. 2014(1), 64 (2014)
Shaw, R., Howley, E., Barrett, E.: An energy efficient anti-correlated virtual machine placement algorithm using resource usage predictions. Simul. Model. Pract. Theory 93, 322–342 (2019)
Ranjbari, M., Torkestani, J.A.: A Learning Automata-based algorithm for energy and SLA efficient consolidation of virtual machines incloud data centers. J. Parallel Distrib. Comput. 113, 55–62 (2018)
Esfandiarpoor, S., Pahlavan, A., Goudarzi, M.: Structure-aware online virtual machine consolidation for data center energy improvement in cloud computing. Comput. Electr. Eng. 42, 74–89 (2015)
Ghobaei-Arani, M., Rahmanian, A., Shamsi, M., Rasouli-Kenari, A.: A learning-based approach for virtual machine placement in cloud data centers. Int. J. Commun. Syst. 31, e3537 (2018)
Mosa, A., Paton, N.W.: Optimizing virtual machine placement for energy and SLA in clouds using utility functions. J. Cloud Comp. 5, 17 (2016). https://doi.org/10.1186/s13677-016-0067-7
Addis, B., Ardagna, D., Panicucci, B., Squillante, M.S., Zhang, L.: A hierarchical approach for the resource management of very large cloud platforms. IEEE Trans. Depend. Secure Comput. 10(5), 253–272 (2013)
Arianyan, E., Taheri, H., Sharian, S.: Novel energy and SLA efficient resource management heuristics for consolidation of virtual machines in cloud data centers. Comput Electr Eng 47, 222–240 (2015)
Kessaci, Y., Melab, N., Talbi, E.-G.: A multi-start local search heuristic for an energy efficient VMs assignment on top of the open-nebula cloud manager. Fut. Gener. Comput. Syst. 36, 237–256 (2014)
Dai, L., Li, J.H.: An optimal resource allocation algorithm in cloud computing environment. Appl. Mech. Mater. 733, 779–783 (2015)
Ibrahim, H., Aburukba, R.O., El-Fakih, K.: An integer linear programming model and adaptive genetic algorithm approach to minimize energy consumption of cloud computing data centers. Comput. Electr. Eng. 67, 551–565 (2018)
Baccarelli, E., et al.: Q*: energy and delay-efficient dynamic queue management in TCP/IP virtualized data centers. Comput. Commun. 102, 89–106 (2017)
Ponraj, A.: Optimistic virtual machine placement in cloud data centers using queuing approach. Fut. Gener. Comput. Syst. 93, 338–344 (2019)
Son, A., Huh, E.-N.: Multi-objective service placement scheme based on fuzzy-AHP system for distributed cloud computing. Appl. Sci. 9, 3550 (2019)
Thathachar, M.A.L., Sastry, P.S.: Varieties of learning automata: an overview. IEEE Trans. Syst. Man Cybern. B (Cybernetics) 32, 711–722 (2002)
Narendra, K.S., Thathachar, M.A.L.: Learning automata-a survey. IEEE Trans. Syst. Man Cybern. 4, 323–334 (1972)
Harmon, R., Challenor, P.: A Markov Chain Monte Carlo method for estimation and assimilation into models. Ecol. Model. 101(1), 41–59 (1997)
Rasouli, N. (2019). https://github.com/TanazR/PBLA-.git
Park, K.S., Vivek, S.P.: CoMon: a mostly-scalable monitoring system for PlanetLab. ACM SIGOPS Oper. Syst. Rev. 40(1), 65–74 (2006)
Buyya, R., Ranjan, R., Calheiros, R.N.: Modelling and simulation of scalable cloud computing environments and the CloudSim toolkit: challenges and opportunities. In: Proceedings of the 7th High Performance Computing and Simulation Conference HPCS2009, pp. 1–11, IEEE Computer Society (2009)