محاسبات ابري سبز با كاهش مصرف انرژي در مهاجرت زنده اولويت‌دار سرويس‌ها

Green Cloud Computing with Reduced Energy Consumption in Live Migration Prioritizing Services

امروزه رشد سريع تقاضا براي استفاده از منابع محاسباتي ابري، موجب افزايش مصرف انرژي در مراكز داده شده است. محاسبات ابري سبز براي جلوگيري از افزايش مصرف انرژي مراكز داده بيان شده است. يكي از راهكارهاي كاهش مصرف انرژي در سيستم‌هاي پردازش ابري، استفاده از روش‌هاي تجميع سرويس‌ها است. روش‌هاي تجميع موجود با مهاجرت‌هاي غير ضروري، عدم تعادل بار كاري ميزبان‌ها و ناديده‌گرفتن ارتباط بين سرويس‌ها ممكن است باعث كاهش كيفيت سرويس و افزايش مصرف انرژي شود. لذا در اين تحقيق با مهاجرت‌دادن سرويس‌هاي ضروري بر اساس اولويت (شامل تعداد فرزندان، سطح و هزينه ارتباطي هر سرويس)، از ميزبان‌هايي كه باركاري خيلي زياد و يا خيلي كم دارند (كه موجب مصرف انرژي زيادي مي‌شوند) به ميزبان‌هايي كه حاوي سرويس‌هاي همكار هستند، بهره‌وري منابع موجود مركز داده بهبود يافته و مصرف انرژي كاهش مي‌يابد. مهاجرت زنده سرويس‌ها بر اساس اولويت و به حداقل رساندن تعداد مهاجرت‌ها با هدف كاهش مصرف انرژي، كاهش زمان پاسخ و افزايش كارايي سيستم مي‌باشد. با بررسي و مقايسه روش پيشنهادي با روش‌هاي ديگر، بهبود 10/37 درصدي در كاهش مصرف انرژي در مراكز داده ابري، 11/18 درصدي در كاهش تعداد مهاجرت سرويس‌ها و 1/46 درصدي در افزايش تعداد ميزبان‌هايي كه خاموش شده‌اند، مشاهده مي‌شود.

Today, the rapid growth in cloud computing resources usage has increased energy consumption in data centers. Green cloud computing goal is to decrease the energy consumption of data centers. In the meantime, service aggregation is a good method to reduce energy consumption in these systems. Existing aggregation methods with unnecessary migration, the unbalanced workload of hosts, and ignoring the relationship between services may reduce the quality of service and increase energy consumption. Therefore, in this study, by migrating the necessary services based on priority (including the number of children, the level and communication cost of each service), from hosts with the unbalanced workload to hosts that contain partner services, the productivity of available resources is improved and the energy consumption is decreased. Live services migration based on prioritizing and minimizing the number of migrations can also lead to response time decrease and system efficiency increase. The proposed method can lead to an 11.79% decrease in energy consumption, a 12.15% reduction in the number of service migrations, and a 1.55% increase in the number of hosts that have been shut down.