استفاده از يك الگوريتم بهينه‌سازي چند هدفه براي تخصيص كارها در سيستم‌هاي مبتني بر ابر با هدف كاهش انرژي مصرفي

Using a multi-objective optimization algorithm to allocate tasks in cloud-based systems to reduce energy consumption

افزايش تقاضا منجر به افزايش تنوع، تعداد خدمات و درنتيجه ايجاد مراكز داده رايانش با مقياس بزرگ‌شده است كه علاوه بر هزينه‌هاي عملياتي بالا، مقادير عظيمي از توان الكتريكي را مصرف مي­كند. از طرفي سيستم‌هاي خنك‌كننده ناكافي و ناكارآمد، نه‌تنها باعث گرم شدن بيش‌ازحد منابع و كاهش عمر كاري دستگاه‌ها مي‌شود، بلكه باعث توليد كربن شده كه در وضعيت آب‌ و هوا نقش مهمي دارد. ازاين‌رو، در اين پژوهش، يك روش مؤثر مديريت منابع انرژي در مراكز داده ابري مجازي شده ارائه‌شده كه علاوه بر كاهش مصرف انرژي و هزينه­هاي عملياتي، باعث افزايش كيفيت خدمات نيز شده است. اين پژوهش، به ارائه يك استراتژي تخصيص منبع در سيستم­هاي ابري باهدف كاهش انرژي و هزينه اجرا پرداخته و كاربرد آن را در محيط رايانش ابري بررسي مي­كند. نتايج حاصل از شبيه­سازي نشان مي­دهد كه روش پيشنهادي مي­تواند نسبت به روش­هاي NPA، DVFS، ST و MM ، ميانگين انرژي مصرفي را تا 0.626 كيلووات ساعت كاهش دهد، همچنين نياز به مهاجرت و موارد نقض SLA نيز به ترتيب به 186 و 30.91% كاهش پيدا نمود.

Due to the increasing demand for business in the web environment, the variety and number of services have increased. As a result, large-scale computing data centers have been created that increase costs and electrical power. Inadequate and inefficient cooling systems not only overheat the resources and reduce the devices' service life but also produce carbon, which plays an important role in weather conditions. Therefore, it is necessary to reduce the total energy consumption of these systems with appropriate methods. In this research, an effective method of energy resource management in virtualized cloud data centers is presented. In addition to reducing energy consumption and operating costs, it has also increased the quality of services. This study presents a resource allocation strategy in cloud systems to reduce energy and implementation costs and examine its application in the cloud computing environment. The simulation results showed that the proposed method could reduce the average energy consumption up to 0.626 kWh compared to NPA, DVFS, ST, and MM methods. Also, the need for migration and SLA violations are decreased.