جایگذاری انفجارآگاه جهت بهبود فرایند تجمیع ماشین مجازی در محیط ابری

در ابر محاسباتی جایگذاری ماشین مجازی فرایند تصمیم گیری انتخاب یک ماشین فیزیکی مناسب برای میزبانی یک ماشین مجازی با توجه به نیارهای ماشین مجازی و منابع موجود ماشین فیزیکی می‌باشد. جایگذاری ماشین مجازی یکی از زیرمسائل اصلی در فرایند تجمیع ماشین مجازی می‌باشد که با چالش‌های متعددی مواجه می‌باشد. جایگذاری انفجار‌آگاه نقشی کلیدی در افزایش کارائی در سیستم‌های محاسبات ابری داشته که نیاز به توجه و بررسی خاص داردبه همین دلیل ما در این مقاله با ارائه روشی موثر برای جایگذاری ماشین‌های مجازی، مدل فرایند تجمیع ماشین مجازی را توسعه داده‌ایم. روش پیشنهادی شامل دو الگوریتم انفجارآگاه برای جایگذاری آغازین و مجدد ماشین‌های مجازی می‌باشد. هدف الگوریتم‌های پیشنهادی کاهش اثرات منفی انفجارهای بارکاری، در فرایند تصمیم‌گیری برای جایگذاری ماشین‌های مجازی می‌باشد. ما از بارهای کاری واقعی و تصادفی و شبیه‌ساز کلودسیم برای ارزیابی کارایی الگوریتم‌های پیشنهادی استفاده کرده‌ایم. نتایج آزمایشات برتری الگوریتم‌های پیشنهادی را از نظر کارائی در مقایسه با الگوریتم‌های پیشین تائید می‌کنند.

Burst-aware Placement for Improving VM Consolidation in Cloud Environment

In cloud computing, virtual machine placement is the decision making process of selecting a destination physical machine to host a virtual machine, according to virtual machine requirements and physical machine available resources. Virtual machine placement is one of the main subproblems in the virtual machine consolidation process which faces different challenges. Burstaware placement plays a key role in improving performance in cloud computing systems and hence, requires special attention and investigation. Therefore, in this study, we will develop a virtual machine consolidation process model by proposing an efficient method for virtual machine placement. The proposed method consists of two burstinessaware algorithms for initial and reallocation of virtual machines. By presenting these algorithms, we aim to minimize the negative effects of workload bursts on the process of making decisions about the placement of virtual machines. We use the random and real dataset and CloudSim simulator to evaluate the performance of the proposed method. The results confirm the advantages of the method regarding performance compared to benchmark methods.