الگوریتم ترکیبی مبتنی بر معماری گوسیپ با استفاده از svm برای زمانبندی وظایف در رایانش ابری

در حال حاضر رایانش ابری با توجه به کاربردهای وسیع و فراگیر از اهمیت زیادی برخوردار است. گستردگی و انعطاف‌پذیری قابل توجه رایانش ابری در کنار سایر محاسن، باعث شده است تا زمینه ایجاد چالش‌های جدید از جمله قابلیت اطمینان فراهم گردد. این نوع از چالش‌ها بدلیل وجود کاربران زیاد، در میان پژوهشگران این حیطه از اهمیت بیشتری برخوردار است. برای حل این مسئله در سال‌های اخیر محققان زیادی به ارائه انواع الگوریتم‌های تحمل‌پذیری خطا در رایانش ابری پرداخته‌اند؛ اما علیرغم تلاش‌های فراوان، متاسفانه مشکلات موجود در این زمینه بصورت کامل برطرف نشده است. هدف این مقاله ارائه یک الگوریتم ترکیبی کارآمد و جدید با بهره‌گیری از خواص ماشین بردار پشتیبان و پروتکل گوسیپ است؛ باید توجه داشت که الگوریتم ماشین بردار پشتیبان برای تجزیه و تحلیل داده‌های ماشین‌های مجازی و دسته‌بندی آنها براساس الگوهای رفتاری عمل می‌کند. همچنین، پروتکل گوسیپ برای جمع‌آوری داده‌ها و نظارت بر هر دسته استفاده شده است. در این مدل پیشنهادی سه فاکتور زمان پردازش، میزان بار و قابلیت اطمینان به منظور دستیابی به کیفیت سرویس بهتر مورد ارزیابی قرار می‌گیرد. نتایج شبیه‌سازی انجام گرفته در کلودسیم نشان می‌دهد که روش پیشنهادی می‌تواند متوسط سرعت پردازش را به میزان 0.65 افزایش و به تناسب آن متوسط طول زمانبندی را 7.22 ثانیه کاهش دهد.

a hybrid algorithm based on gossip architecture using svm for task scheduling in cloud computing

nowadays, cloud computing is very important due to its widespread use. the considerable extensiveness and flexibility of cloud computing as well as other advantages led to new challenges such as reliability. such challenges have more importance among researchers because of existing high number of cloud users. to solve the challenge of reliability, a variety of fault tolerance algorithms were provided in recent years to deal with and fix faults in cloud computing. despite many efforts, there still exist some problems. this paper aims to present an efficient and new hybrid algorithm where svm features, and gossip protocol are used. svm is used to analyze and categorize virtual machine data based on behavioral patterns. moreover, gossip is used to gather data monitoring categories. in the proposed model, processing time, load amount, and reliability are evaluated for better service quality. the simulation results through the cloudsim tools show that proposed method is able to increase the processing speed around 0.65 and decrease makespan to 7.22 seconds.