تشخيص ميزبان هاي داراي سربار و كم بار موثر در انرژي در جهت جايابي ماشين مجازي در مراكز داده ابري

Energy-efficient overload and underload detection for virtual machine placement in cloud data centers

رشد روزافزون تكنولوژي رايانش ابري و همچنين استفاده‌ي همه‌جانبه از سرويس‌هاي ابري، منجر به ايجاد روند افزايشي در ميزان مصرف انرژي مراكز داده رايانش ابري گرديده است. مسئله يكپارچه‌سازي ماشين مجازي با استفاده از مهاجرت زنده ماشين‌هاي مجازي از ميزبان‌هاي داراي سربار و ميزبان‌هاي كم‌بار و خاموش نمودن گره‌هاي بيكار، به رويكردي مؤثر براي دستيابي به مراكز داده رايانش ابري انرژي كارا بدل گرديده است. به‌طوركلي يكپارچه‌سازي ماشين‌هاي مجازي به سه زير مسئله تقسيم مي‌شود: چه زماني بايد ماشين مجازي مهاجرت كند؟ كدام ماشين مجازي مهاجرت كند؟ ماشين مجازي كجا مهاجرت كند؟ براي زير مسئله اول، تشخيص اينكه كدام ميزبان داراي سربار و كدام ميزبان كم‌بار است تا ماشين‌هاي مجازي به‌منظور كاهش مصرف انرژي از اين ميزبان‌ها مهاجرت داده شوند بررسي مي‌شود. در روش پيشنهادي كه به‌منظور تشخيص ميزبان‌هاي داراي سربار و ميزبان‌هاي كم‌بار انجام شده است؛ با توجه به باركاري ميزبان‌ها به سه كلاس كم‌بار، متوسط بار و سربار تقسيم شده‌اند و از الگوريتم K نزديك‌ترين همسايگي استفاده‌شده است تا ميزبان‌ها را در اين سه كلاس دسته‌بندي ‌كند. براي زير مسئله دوم، سياست‌هايي براي انتخاب ماشين مجازي از ميزبان‌هاي فيزيكي داراي سربار مانند سياست حداقل اندازه حافظه، حداقل اندازه پردازنده و سياست حداقل اندازه حافظه و پردازنده، استفاده‌شده است. براي زير مسئله سوم، جايابي ماشين‌هاي مجازي در ميزبان‌هاي مناسب به‌عنوان مقصد مهاجرت از الگوريتم PABFD استفاده‌شده است. نتايج شبيه‌سازي با استفاده از شبيه‌ساز كلودسيم، به‌صورت ميانگين كاهش 19/78 درصدي مصرف انرژي را نشان مي‌دهد.

The increasing growth of cloud computing technology as well as all-round use of cloud services lead to an incremental rising of energy consumption in data centers. The problem of vm consolidation using live migration of virtual machines from overloaded hosts and under-loaded hosts and turning off the idle nodes has become an effective approach to achieve energy-efficient cloud computing data centers. The challenge we address in this research is decreasing energy consumption. In general, consolidation of virtual machines is divided into three sub- issues: when the virtual machine should migrate? Which virtual machine should migrate? Where it migrate? For the first sub-issue, we address the problem of identifying which host is overloaded and which one is under-loaded for migration of the virtual machines in order to decrease the energy consumption of these hosts. In our method which is proposed to identifying over-loaded and under-loaded hosts, we used the k-nearest neighbors algorithm. Further, according to workload of hosts divided into three classes, namely under-loaded, medium-loaded, and over-loaded and to classify our hosts according to these three classed by the help of KNN algorithm. For the second sub-issue, we use some policies for selecting the virtual machine from overloaded physical hosts, such as minimum size of memory, minimum size of processor, combined minimum size of processor and memory. in the third sub-issue, in order to Placement of virtual machines in proper hosts as migration destination, the PABFD algorithm is applied. Simulation results show the average of 19.78 percent reduction in energy consumption.