Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Mô hình lên lịch cho tải tác vụ trong các trung tâm dữ liệu đám mây
Tóm tắt
Công nghệ đám mây là một kiến trúc lưu trữ toàn cầu, trong đó người tiêu dùng sử dụng các tài nguyên được cung cấp liên tục, chẳng hạn như tính toán, lưu trữ và mạng. Tính toán đã dẫn đến việc các máy chủ internet trở thành nội dung trên các nền tảng điện tử được phân phối bởi nhiều người tiêu dùng. Vấn đề chính với trung tâm dữ liệu là xử lý hàng triệu yêu cầu đến thường xuyên. Do đó, Mô hình Lên Lịch (SM) sử dụng trung tâm dữ liệu đám mây (SM-CDC) được phát triển trong nghiên cứu này để xử lý các tác vụ của các trung tâm lưu trữ đám mây được lưu trữ trong các thiết bị điện tử. Tác vụ được phân bổ cho tất cả các máy ảo hiện có, và dữ liệu trực tuyến được bảo vệ khỏi quá tải. Việc phân bố dữ liệu được thiết lập bằng cách xem xét giá trị và trạng thái của thiết bị thông minh, giúp phân bổ nhiệm vụ một cách công bằng và sử dụng hiệu quả các tài nguyên. Tải tác vụ (TL) liên quan đến việc quản lý những yêu cầu này, và dữ liệu đầu vào của tải cần được phân phối đều và nhất quán giữa nhiều bộ xử lý. Theo kết quả của thử nghiệm, SM-CDC có hiệu suất tốt nhất về thời gian hoàn thành tối thiểu là 16.76 ms, tỷ lệ chuyển tải tính toán cao tới 93%, thời gian phản hồi tối thiểu là 8 ms, và thời gian CPU tối thiểu là 5.25 ms.
Từ khóa
#mô hình lên lịch #trung tâm dữ liệu đám mây #tải tác vụ #phân bổ nhiệm vụ #tối ưu hóa tài nguyênTài liệu tham khảo
Ramírez-Ochoa, D. D., Pérez-Domínguez, L. A., Martínez-Gómez, E. A., & Luviano-Cruz, D. (2022). PSO, a swarm intelligence-based evolutionary algorithm as a decision-making strategy: A review. Symmetry, 14(3), 455.
Srirama, S. N., Adhikari, M., & Paul, S. (2020). Application deployment using containers with auto-scaling for microservices in cloud environment. Journal of Network and Computer Applications, 160, 102629.
Shen, H., & Hong, X. (2020). Host load prediction with bi-directional long short-term memory in cloud computing. arXiv preprint arXiv:2007.15582.
Mahalle, H. S., Kaveri, P. R., & Chavan, V. (2013). Load balancing on cloud data centres. International Journal of advanced research in computer science and software engineering, 3(1), 550.
Ibrahim, I. M. (2021). Task scheduling algorithms in cloud computing: A review. Turkish Journal of Computer and Mathematics Education (TURCOMAT), 12(4), 1041–1053.
Albert, P., & Nanjappan, M. (2020). An efficient kernel FCM and artificial fish swarm optimization-based optimal resource allocation in cloud. Journal of Circuits, Systems and Computers, 29(16), 2050253.
Zhang, Y., Qu, P., Cihang, J., & Zheng, W. (2015). A cloud gaming system based on user-level virtualization and its resource scheduling. IEEE Transactions on Parallel and Distributed Systems, 27(5), 1239–1252.
Annie, P. P. G., & Radhamani, A. S. (2021). A hybrid meta-heuristic for optimal load balancing in cloud computing. Journal of Grid Computing, 19(2), 1–22.
Sethi, S., Sahu, A., & Jena, S. K. (2012). Efficient load balancing in cloud computing using fuzzy logic. IOSR Journal of Engineering, 2(7), 65–71.
Mohammadzadeh, A., Masdari, M., Gharehchopogh, F. S., & Jafarian, A. (2021). A hybrid multi-objective metaheuristic optimization algorithm for scientific workflow scheduling. Cluster Computing, 24(2), 1479–1503.
Yuan, H., Liu, H., Bi, J., & Zhou, M. (2020). Revenue and energy cost-optimized biobjective task scheduling for green cloud data centers. IEEE Transactions on Automation Science and Engineering, 18(2), 817–830.
Lakra, A. V., & Yadav, D. K. (2015). Multi-objective tasks scheduling algorithm for cloud computing throughput optimization. Procedia Computer Science, 48, 107–113.
Jia, Z. H., Pan, L., Liu, X., & Li, X. J. (2021). A novel cloud workflow scheduling algorithm based on stable matching game theory. The Journal of Supercomputing, 77(10), 11597–11624.
Ahmed, O. H., Lu, J., Xu, Q., Ahmed, A. M., Rahmani, A. M., & Hosseinzadeh, M. (2021). Using differential evolution and Moth-Flame optimization for scientific workflow scheduling in fog computing. Applied Soft Computing, 112, 107744.
Banerjee, S., Roy, S., & Khatua, S. (2021). SLA-aware stochastic load balancing in dynamic cloud environment. Journal of Grid Computing, 19(4), 1–24.
Bertoldi, P., Avgerinou, M., & Castellazzi, L. (2017). Trends in data centre energy consumption under the European Code of Conduct for Data Centre Energy Efficiency. Publications Office of the European Union.
Saxena, D., & Singh, A. K. (2021). Energy aware resource efficient-(eare) server consolidation framework for cloud datacenter. In Advances in communication and computational technology (pp. 1455–1464). Springer, Singapore.
Mishra, S. K., Puthal, D., Sahoo, B., Sharma, S., Xue, Z., & Zomaya, A. Y. (2018). Energy-efficient deployment of edge dataenters for mobile clouds in sustainable IoT. IEEE Access, 6, 56587–56597.
Shaw, R., Howley, E., & Barrett, E. (2022). Applying reinforcement learning towards automating energy efficient virtual machine consolidation in cloud data centers. Information Systems, 107, 101722.
Xu, C., Wang, K., Li, P., Xia, R., Guo, S., & Guo, M. (2018). Renewable energy-aware big data analytics in geo-distributed data centers with reinforcement learning. IEEE Transactions on Network Science and Engineering, 7(1), 205–215.
Daid, R., Kumar, Y., Hu, Y. C., & Chen, W. L. (2021). An effective scheduling in data centres for efficient CPU usage and service level agreement fulfilment using machine learning. Connection Science, 33(4), 954–974.
Sharma, M., & Garg, R. (2020). An artificial neural network based approach for energy efficient task scheduling in cloud data centers. Sustainable Computing: Informatics and Systems, 26, 100373.
Naik, B. B., Singh, D., & Samaddar, A. B. (2021). Multi-objective virtual machine selection in cloud data centers using optimized scheduling. Wireless Personal Communications., 116(3), 2501–2524.
Alsadie, D. (2021). TSMGWO: Optimizing task schedule using multi-objectives grey Wolf optimizer for cloud data centers. IEEE Access., 4(9), 37707–37725.
https://datarade.ai/data-categories/alibaba-data
http://gwa.ewi.tudelft.nl/datasets/gwa-t-12-bitbrains
https://research.google/tools/datasets/