ارائه يك رويكرد سطح وظيفه تحمل اشكال در رايانش ابر

Provides A Fault Tolerance TaskLevel Approach in Cloud Computing

رايانش ابر، محيطي فعال، پويا، مقياس پذير و داراي منابع چندگانه است، از اين رو مستعد رخ دادن خطاهاي غيرمنتظره زيادي است و ممكن است خسارت هاي جبران ناپذيري به بار آورد. به منظور به حداقل رساندن تاثير خرابي بر روي سيستم و اجراي صحيح و موفق برنامه هاي كاربردي، خرابي بايد پيش بيني شده و فعالانه مديريت و كنترل گردد. هدف اصلي اين تحقيق ارائه رويكرد سطح وظيفه كارا و مناسب، جهت بهبود تحمل اشكال و در نتيجه افزايش قابليت اطمينان در محيط ابر است. دستاورد اين مقاله رويكرد جديدي است كه در آن از طريق اولويت بندي منابع با توجه به ميزان بار و قابليت اطمينان منابع، به ميزان قابل توجهي طول زمانبندي و متوسط زمان اجراي يك مجوعه از وظايف كاهش و سرعت را افزايش مي دهد. از طرفي افزايش نرخ شكست در آن موجب افزايش ترتيبي طول زمانبندي نمي شود، بلكه طول زمانبندي را به طور مؤثر كنترل مي كند. بنابراين موجب افزايش قابليت اطمينان و جلوگيري از رخ داد خطا مي شود و به طور قطعي عملكرد سيستم را بهبود مي بخشد.

. active and dynamic environments of cloud results in various unexpected faults and failures. fault tolerance is one of the most important issues of cloud computing due to multiple resources. faults and failures should be assessed and handled effectively to achieve reliability in cloud computing. The main objective of this project is to provide an efficient and appropriate task-level approach to improve the fault tolerance and reliability of the cloud computing environment. New methods, need to develop the use of fault tolerance techniques and schediling algorithms simultaneously. A new method was used according to the high importance of reliability in the proposed approach. This method is provided by prioritizing resources according to the amount of load and processing time of the tasks. Also according to prioritization of virtual machines the system workplace is defined in three modes and choosing workplace is performed by comparing the prioritization of virtual machines with threshold. Therefore, in the proposal, the length of the scheduler, the average runtime, and the speed of a set of tasks are reduced significantly, which shows the improvment of overall system performance