راهکاری ترکیبی برای بهبود خاصیت کشسانی در محیط رایانش ابری

کشسانی، به‌عنوان یک از مهم‌ترین ویژگی‌هایی محسوب می‌شود که فناوری رایانش ابری را از دیگر فناوری‌های رایانش توزیعی، متمایز می‌کند. این ویژگی، از این حقیقت بهره می‌گیرد که فرایند تخصیص دهی منابع، به‌عنوان رویه‌ای محسوب می‌شود که می‌توان آن را به‌صورت پویا اجرا نمود. ارائه راهکاری کارامد برای بهبود خاصیت کشسانی هم برای ارائه‌دهندگان و هم برای کاربران سرویس‌های رایانش ابری مفید و کارآمد واقع خواهد شد. ارائه‌دهندگان خواهند توانست با راهکاری که در این مقاله طراحی، ارزیابی و توسعه داده خواهد شد، خاصیت کشسانی سرویس‌های ابری خود را ارزیابی کرده و آن‌ها را بهبود بخشیده و مزیت کمی یا کیفی خود در رقابت با سایر رقبا را افزایش دهند. در این مقاله، راهکاری ترکیبی برای بهبود خاصیت کشسانی با استفاده مدیریت بافر و مدیریت متمرکز کشسانی ارائه می‌شود. مدیریت بافر وظیفه کنترل صف ورودی درخواست را به عهده دارد و مدیریت کشسانی با استفاده از یادگیری تقویتی، کنترل خاصیت کشسانی سیستم را به عهده دارد. موثر بودن راهکار پیشنهادی تحت سه بار کاری واقعی google cluster، yahoo cluster و wikipedia ارزیابی شده است. نتایج آزمایشات نشان می‌دهد که راهکار پیشنهادی در مقایسه با دو راهکار ctmc و controcity موجب کاهش زمان پاسخگویی 15.2 درصد، و افزایش بهره‌وری به میزان 13.2 درصد و افزایش خاصیت کشسانی را درحد 19.8 درصد نشان می‌دهد.

A Hybrid Approach for Improving Elasticity in the Cloud Computing Environment

Elasticity is considered as one of the most important features that distinguishes cloud computing from other distributed system approaches. This feature takes into account the fact that the resource allocation process is considered as a process that can be implemented dynamically. Providing an efficient solution for improving elasticity will be useful for both providers and users of cloud computing services. Using the proposed solution in this paper, providers will be able to evaluate and improve the quality of their services, and increase their qualitative or quantitative advantage in competing with other competitors. In this paper, we present a hybrid solution for improving elasticity through using buffer management and centralized elastic management. Buffer managment controls the input queue of the request and the elastic management by using the reinforcement learning controls the elasticity of the system. Finally, we evaluate the effectiveness of our approach under three real workload traces, namely, Yahoo Cluster, Wikipedia, and Google Cluster workload traces. The experimental results show that the proposed approach reduces the response time by up to 15.2%, and increases the resource utilization by up to 13.2 % and the elasticity by up to 19.8 % compared with the CTMC and ControCity approaches.