الگوریتم توازن‌بار مبتنی بر پیش‌بینی Elm در محاسبات ابری

از آنجا که تقاضای کاربران و رفتار سیستم از نظر تخصیص منابع، پویا و متغیر با زمان است، بار کاری به شکل متوازن روی منابع ابر توزیع نمی‌شود. طراحی مکانیزم‌های مناسب جهت تشخیص وضعیت و توزین مناسب بار روی هر میزبان می‌تواند نقش موثری در بهبود کارایی سیستم و مصرف انرژی در مراکز داده‌ ابر داشته باشد. روش‌های توازن بار ارائه شده به صورت واکنشی از ورود سیستم به حالت عدم توازن جلوگیری نکرده و متناسب با شرایط ایجاد شده دست به مهاجرت ماشین مجازی(vm) می‌زنند. در این روش‌ها، با ورود سیستم به حالت عدم توازن، انرژی مصرفی و همچنین زمان پاسخ کارها افزایش می‌یابد. همچنین در روش‌های توازن‌بار پیش‌دستانه، عدم دقت کافی برای تشخیص وضعیت میزبان‌ها، استفاده از آستانه‌های ثابت و همچنین مهاجرت ماشین‌های مجازی به میزبان‌ها، بدون در نظر گرفتن وضعیت کنونی و آینده آنها، احتمال پربار شدن میزبان‌ها و افزایش انرژی مصرفی در مراکز داده را بالا می‌برد. از این رو، روش پیشنهادی این مقاله، بکارگیری یک رویکرد پیش‌د‌ستانه با هدف تشخیص زودهنگام وضعیت میزبان‌ها است که مقدار مصرف پردازنده هر میزبان در آینده، توسط روش ماشین یادگیری افراطی (elm) پیش‌بینی می شود و با استفاده از سه آستانه تطبیقی وضعیت آتی میزبان‌ها مشخص می‌شود، سپس ماشین‌های مجازی از میزبان‌های پربار و درصورت نیاز میزبان‌های کم بار به آن دسته از میزبان‌هایی انتقال پیدا می‌کنند که احتمال پربار شدن آنها بعد از تخصیص کمینه باشد. پیاده‌سازی روش پیشنهادی و ارزیابی آن روی مجموعه داده واقعی با استفاده از شبیه ساز cloudsim نشان داده است که روش پیشنهادی در مقایسه با روش پیش‌دستانه و واکنشی رقیب، در انرژی مصرفی، زمان پاسخ، تعداد مهاجرت‌های ماشین مجازی و عدم نقض توافقنامه سطح سرویس (sla) بهبود ایجاد کرده است.

An ELM-based Load Balancing Algorithm for Cloud Computing Platforms

Since the workload of the end users and the provisioned cloud resources are dynamically changed over time, the workload is not evenly distributed over the cloud. Therefore, designing appropriate mechanisms to detect the status of the cloud and properly distribute the load on each host can play an effective role in improving system performance and energy consumption in cloud data centers. Reactive load balancing approaches don’t prevent loadimbalance in cloud and make virtual machines (VM) migrate after load imbalance and increase energy consumption and job response time. Also, in proactive load balancing methods, some problems, such as host state detection with insufficient accuracy and fixed threshold of cpu utilization without considering the host current and future states in VM migrations, prevent the optimal number of balanced hosts and energy consumption in datacenters. In this paper, a proactive approach to the early detection of host states is presented which is based on Extreme Learning Machine (ELM). The proposed approach predict the CPU utilization of each host over time and applies an adaptive threshold to determine the future status of each host (i.e., overload, underload, secure and normal state). Then, a subset of VMs are migrated to hosts with minimum overload probability in future to avoid overloaded hosts. Implementation of the proposed method and its evaluation on the real data sets in Cloudsim show that the proposed method improves energy consumption, response time, the number of VM migrations and nonviolation of the Service Level Agreement (SLA) in comparison to competitive algorithms including RFLB [7] and ANNLB [13].