حل مسئله بهينه‌سازي چندهدفه جايگذاري ماشين‌هاي مجازي در مراكز داده‌اي ابر با رويكرد كمينه‌سازي مصرف انرژي و هدررفت منابع با الگوريتم تبريد فلزات

Multi-Objective Optimization Solution for Virtual Machine Placement Problem in Cloud Datacenters with Minimization of Power Consumption and Resource Dissipation Perspectives by Simulated Annealing Algorithm

در عصر حاضر، صنعت رايانش ابري به يك زنجيره تأمين جديد بين ارائه‌دهندگان سرويس محاسباتي و درخواست‌دهندگان سرويس تبديل شده است. براي اين منظور، مراكز داده‌اي ابر به طور گسترده از تكنولوژي مجازي‌سازي استفاده مي‌كنند كه به طور بالقوه قابليت افزايش بهره‌وري منابع محاسباتي در سطح زيرساخت ابر را فراهم مي‌كند. طرح‌هاي ناكارامد جايگذاري ماشين‌هاي مجازي منجر به كاهش بهره‌وري سيستم، افزايش هدررفت منابع و در نتيجه مصرف بالاي انرژي در مراكز داده‌اي ابر مي‌شوند. بنابراين، اين مقاله مسئله جايگذاري ماشين‌هاي مجازي روي ماشين‌هاي فيزيكي مركز داده‌اي ابر را به يك مسئله بهينه‌سازي چندهدفه با رويكرد كمينه‌سازي دو هدف مصرف انرژي و هدررفت منابع فرمول‌بندي مي‌كند كه از لحاظ محاسباتي در رده مسايل NP-hard قرار دارد. از آنجايي كه اكثر الگوريتم‌هاي فراابتكاري براي حل مسايل بهينه‌سازي پيوسته طراحي شده‌اند و نيز كيفيت راه حل آنها با خطر گيرافتادن در بهينه محلي تهديد مي‌شود، براي حل اين مسئله تركيبي و پيچيده، يك الگوريتم بهينه‌سازي مبتني بر تبريد فلزات متناسب با فضاي جستجوي گسسته تعريف‌شده در مسئله، توسعه داده مي‌شود تا امكان گيرافتادن در بهينه محلي را كاهش دهد. جهت اعتبارسنجي روش پيشنهادي، سناريوهاي مختلفي معرفي و هدايت مي‌شوند. نتايج به دست آمده از شبيه‌سازي در سناريوهاي مختلف، برتري روش پيشنهادي را نسبت به ساير روش‌هاي موجود از لحاظ كاهش مصرف انرژي، هدررفت منابع و تعداد سرويس‌دهنده‌هاي فعال نشان مي‌دهد.

Nowadays, cloud computing industry has been transformed to a new supply chain between cloud service providers and service requesters. To this end, cloud service provisioning in datacenters is procured via virtualization platforms in which it can potentially increase the utilization of computing resources at infrastructure level. Inefficient virtual machine placement (VMP) schemes lead lower system utilization, increase of resource dissipation, and high rate of power consumption. Therefore, this paper formulates VMP problem on physical machines of cloud datacenters to a multi-objective optimization problem with minimization of both power consumption and resource dissipation perspectives which is computationally NP-Hard. Since the most meta-heuristic algorithms are designed for continuous optimization problems and are also susceptible to get stuck in local optimum, to figure out this combinatorial problem an optimization algorithm based on simulated annealing algorithm commensurate with discrete search space of stated problem is extended, so that the possibility of getting stuck in local optimum is reduced. To validate the proposed approach, several scenarios are introduced and conducted. Reported results from simulation of different scenarios show that the proposed approach outperforms against other existing approaches in terms of reduction in power consumption, resource dissipation, and the number of active server in use.