Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Thuật toán heuristic đa mục tiêu cho lịch trình tài nguyên động trong môi trường điện toán đám mây
Tóm tắt
Hạ tầng đám mây cung cấp các tài nguyên cần thiết cho các nhiệm vụ lập lịch tài nguyên. Bài báo này sử dụng một thuật toán di truyền dựa trên nhiễm sắc thể được mã hóa (GEC-DRP) để quản lý lịch trình tài nguyên động. Tuy nhiên, thuật toán lập lịch hiện có ước lượng số lượng máy chủ vật lý (PM) cần thiết cho khách hàng trong tương lai. Thuật toán lập lịch được phát triển này lập lịch các nhiệm vụ trên đám mây bằng cách tính toán số lượng máy ảo cần thiết trong tương lai gần cùng với các yêu cầu về CPU và bộ nhớ được dự đoán, đây là sự đóng góp chính của công trình. Thuật toán K-means cụm các nhiệm vụ dựa trên việc sử dụng CPU và bộ nhớ làm tham số. Sự xuất hiện của các nhiệm vụ trong tương lai cho mỗi cụm được dự đoán và theo đó, số lượng máy ảo cần thiết được tạo ra. Các yêu cầu đến được gọi là nhiệm vụ được lập lịch trên máy ảo thích hợp bằng cách sử dụng thuật toán di truyền (GA). Dựa trên kết quả dự đoán khối lượng công việc, một chiến lược lập lịch tài nguyên tối ưu chi phí trong môi trường điện toán đám mây được đề xuất nhằm giảm thiểu chi phí tổng thể cho việc thuê máy ảo từ đám mây trung tâm. Cuối cùng, một thuật toán di truyền được sử dụng để giải quyết chiến lược lập lịch tài nguyên. Các thuật toán đã phát triển được đánh giá thông qua độ chính xác của dự đoán khối lượng công việc, tổng chi phí của cụm và thời gian tiêu thụ của thuật toán để giải quyết các vấn đề lập lịch tài nguyên thông qua các thí nghiệm. Cuối cùng, hiệu quả của thuật toán dự đoán khối lượng công việc dựa trên SES và chiến lược lập lịch tài nguyên tối ưu chi phí được xác minh thông qua mô phỏng.
Từ khóa
#lịch trình tài nguyên động #điện toán đám mây #thuật toán di truyền #dự đoán khối lượng công việc #tối ưu chi phíTài liệu tham khảo
Al-Maytami BA, Fan P, Hussain A, Baker T, Liatsis P (2019) A task scheduling algorithm with improved makespan based on prediction of tasks computation time algorithm for cloud computing. IEEE Access 7:160916–160926. https://doi.org/10.1109/ACCESS.2019.2948704
AKMMR Mazumder, KMA Uddin, N Arbe, L Jahan and M Whaiduzzaman, (2019) Dynamic task scheduling algorithms in cloud computing. In 2019 3rd International conference on Electronics, Communication and Aerospace Technology (ICECA), Coimbatore, India, pp. 1280-1286. https://doi.org/10.1109/ICECA.2019.8822020
https://www.colocationamerica.com/data-center/top-reasons-to-outsource-an-in-house-data center.htm
Tsai JT, Fang JC, Chou JH (2013) Optimized task scheduling and resource allocation on cloud computing environment using improved differential evolution algorithm. Comput Oper Res 40(12):3045–3055
Dabbagh M, Hamdaoui B, Guizani M, Rayes A (2015) Energy-efficient resource allocation and provisioning framework for cloud data centers. IEEE Trans Netw Serv Manage 12(3):377–391
Keshanchi B, Souri A, Navimipour NJ (2017) An improved genetic algorithm for task scheduling in the cloud environments using the priority queues: formal verification, simulation, and statistical testing. J Syst Softw 124:1–21
Mehdi NA, Mamat A, Ibrahim H, Subramaniam SK (2011) Impatient task mapping in elastic cloud using genetic algorithm. J Comput Sci 7(6):877
Arianyan E, Maleki D, Yari A, Arianyan I (2012) November. Efficient resource allocation in cloud data centers through genetic algorithm. IEEE Sixth Int Symp Telecommun (IST) 2012:566–570
Tao F, Feng Y, Zhang L, Liao TW (2014) CLPS-GA: a case library and Pareto solution-based hybrid genetic algorithm for energy-aware cloud service scheduling. Appl Soft Comput 19(2014):264–279
Iverson MA, Ozguner F, Potter L (1999) Statistical prediction of task execution times through analytic benchmarking for scheduling in a heterogeneous environment. IEEE Trans Comput 48(12):1374–1379. https://doi.org/10.1109/12.817403
Zhang Q, Zhani MF, Boutaba R, Hellerstein JL (2014) Dynamic heterogeneity-aware resource provisioning in the cloud. IEEE Trans Cloud Comput 2(1):14–28
Kumar M, Sharma SC, Goel A, Singh SP (2019) A comprehensive survey for scheduling techniques in cloud computing. J Netw Comput Appl 143:1–33
Li C, Bai J, Luo Y (2020) Efficient resource scaling based on load fluctuation in edge-cloud computing environment. J Supercomput. https://doi.org/10.1007/s11227-019-03134-8
Liang B, Dong X, Wang Y, Zhang X (2020) A low-power task scheduling algorithm for heterogeneous cloud computing. J Supercomput. https://doi.org/10.1007/s11227-020-03163-8
Nashaat H, Ashry N, Rizk R (2019) Smart elastic scheduling algorithm for virtual machine migration in cloud computing. J Supercomput 75(7):3842–3865. https://doi.org/10.1007/s11227-019-02748-2ci
Xiao Z, Song W, Chen Qi (2013) Dynamic resource allocation using virtual machines for cloud computing environment. IEEE Trans Parallel Distrib Syst 24(6):1107–1117
Duan H, Chen C, Min G, Wu Y (2017) Energy-aware scheduling of virtual machines in heterogeneous cloud computing systems. Future Gener Comput Syst 74:142–150
Suresh Kumar D, Jagadeesh Kannan R (2020) Reinforcement learning-based controller for adaptive workflow scheduling in multi-tenant cloud computing. Int J Electr Eng Educ. https://doi.org/10.1177/0020720919894199
Xu Y, Li K, Hu J, Li K (2014) A genetic algorithm for task scheduling on heterogeneous computing systems using multiple priority queues. Inf Sci 270:255–287
Singh, S. and Kalra, M., (2014) Scheduling of independent tasks in cloud computing using modified genetic algorithm. International conference on computational intelligence and communication networks (CICN) pp. 565–569
Hu H, Li Z, Hu H, Chen J, Ge J, Li C, Chang V (2018) Multi-objective scheduling for scientific workflow in multicloud environment. J Netw Comput Appl 114:108–122
Kar, I., Parida, R.R. and Das, H., (2016) Energy aware scheduling using genetic algorithm in cloud data centers. International conference on electrical, electronics, and optimization techniques (ICEEOT), pp. 3545–3550
Zhu Z, Zhang G, Li M, Liu X (2015) Evolutionary multi-objective workflow scheduling in cloud. IEEE Trans Parallel Distrib Syst 27(5):1344–1357
Zheng Z, Wang R, Zhong H and Zhang X, (2011) An approach for cloud resource scheduling based on Parallel Genetic Algorithm. IEEE. In 2011 3rd International Conference on Computer Research and Development (Vol. 2, pp. 444–447)
Ren, X., Lin, R. and Zou, H., (2011) A dynamic load balancing strategy for cloud computing platform based on exponential smoothing forecast. In IEEE international conference on cloud computing and intelligence systems (CCIS), pp. 220–224
Hartigan JA, Wong MA (1979) Algorithm AS 136: a k-means clustering algorithm. J R Stat Soc Ser C (Applied Statistics) 28(1):100–108
https://www.otexts.org/fpp/7/1
Yao Y, Wang Z (2020) Privacy information antistealing control method of medical system based on cloud computing. Int J Commun Syst. https://doi.org/10.1002/dac.4596
Reiss, C., Tumanov, A., Ganger, G.R., Katz, R.H. and Kozuch, M.A., (2012) Heterogeneity and dynamicity of clouds at scale: Google trace analysis. In Proceedings of the third ACM symposium on cloud computing, p. 7
Calheiros R, Ranjan R, De Rose C, Rajkumar B (2009) CloudSim: a novel framework for modeling and simulation of cloud computing infrastructures and services
John Wilkes and Charles Reiss. The clusterdata-2011–2 trace. https://console.cloud.google.com/storage/browser/clusterdata-2011-2
http://www.cs.huji.ac.il/labs/parallel/workload/l_nasa_ipsc
Madni SHH, Latiff MSA, Abdullahi M, Usman MJ (2017) Performance comparison of heuristic algorithms for task scheduling in IaaS cloud computing environment. PLoS ONE 12(5):e0176321
Pakhira MK, (2014) A linear time-complexity k-means algorithm using cluster shifting. IEEE, In 2014 international conference on computational intelligence and communication networks (pp. 1047–1051)
Kurdi H, Alfaries A, Al-Anazi A, Alkharji S, Addegaither M, Altoaimy L, Ahmed SH (2019) A lightweight trust management algorithm based on subjective logic for interconnected cloud computing environments. J Supercomput 75(7):3534–3554. https://doi.org/10.1007/s11227-018-2669-y
Liu, C.Y., Zou, C.M. and Wu, P., (2014) A Task scheduling algorithm based on genetic algorithm and ant colony optimization in cloud computing. Proceedings of the 13th international symposium on distributed computing and applications to business, engineering and science, pp. 68–72
Jiang Y, Perng CS, Li T, Chang RN (2013) Cloud analytics for capacity planning and instant vm provisioning. IEEE Trans Netw Serv Manage 10(3):312–325
Ghorbani, M., Wang, Y., Xue, Y., Pedram, M. and Bogdan, P., (2014). Prediction and control of bursty cloud workloads: a fractal framework. Proceedings of the 2014 ACM international conference on hardware/software codesign and system synthesis p. 12
Abdulhamid, Shafi'i Muhammad; Madni, Syed Hamid Hussain; Latiff, Muhammad ShafieAbd; Abdullahi, Mohammed; Usman, Mohammed Joda (2017) Cloud Workloads. figshare. https://doi.org/10.6084/m9.figshare.4877438.v2
Cai W, Zhu J, Bai W, Lin W, Zhou N, Li K (2020) A cost saving and load balancing task scheduling model for computational biology in heterogeneous cloud datacenters. J Supercomput 76:6113–6139. https://doi.org/10.1007/s11227-020-03305-y
Zhang P, Zhou M (2017) Dynamic cloud task scheduling based on a two-stage strategy. IEEE Trans Autom Sci Eng 15(2):772–783