ارائه رویکردی به منظور زمان بندی منابع در محیط های بدون سرویس دهنده

با توجه به پیشرفت فناوری و نیاز روزافزون کاربران، تولیدکنندگان باید برنامه‌های کاربردی خود را به‌سرعت توسعه دهند. محاسبات ابری، با توجه به مزایایی که دارد توجه تولیدکنندگان را برای پیاده‌سازی برنامه‌های کاربردی به خود جلب کرده است. ابر، مدل‌های سرویس‌دهی مختلفی مانند زیرساخت به‌عنوان سرویس، بستر به‌عنوان سرویس، نرم‌افزار به‌عنوان سرویس و تابع به‌عنوان سرویس را دارد. در این پژوهش تمرکز اصلی بر روی مدل سرویس‌دهی تابع به‌عنوان سرویس است. این مدل کاربران را قادر می‌سازد تا توابع ابری را بر روی بستری از منابع اجرا کنند بدون این که نگرانی درباره مدیریت زیرساخت آن داشته باشند. این کار هزینه کمتری برای آن‌ها خواهد داشت. یکی از مهم‌ترین چالش‌های این حوزه، مسئله زمان‌بندی توابع است. ارائه‌دهندگان سرویس، از الگوریتم‌های زمان‌بندی برای نگاشت درخواست‌های ورودی خود، به منابع محاسباتی استفاده می‌کنند. این نگاشت باید از جنبه‌های مختلفی که بر عملکرد سیستم تاثیر دارند، بهینه باشد. زمان‌بند، وظیفة مدیریت منابع را بر عهده دارد. اگرچه راه‌حل‌های مختلفی برای مدیریت تامین منابع ارائه‌ شده است، اما برای مدیریت موثرتر منابع نیاز به روش‌های جدیدتری هست. بر این اساس، این کار پژوهشی یک الگوریتم ترکیبی جدید را برای بهبود عملکرد تامین منابع ارائه می‌کند. در راه‌حل پیشنهادی، یک الگوریتم ترکیبی را بر اساس الگوریتم‌های ژنتیک توسعه داده‌ شده و شبیه‌سازی تبرید معرفی می‌کنیم. در این روش با استفاده از ترکیب دو الگوریتم ژنتیک توسعه داده‌ شده و الگوریتم تبرید، از مزایای هر دو الگوریتم استفاده کردیم. این دو الگوریتم مکمل یکدیگر شده و نتایج مقایسه رهیافت پیشنهادی با روش‌های دیگر نشان‌دهنده عملکرد مثبت این روش در کاهش زمان تکمیل درخواست‌ها است. به‌منظور پیاده‌سازی و بررسی عملکرد این روش، یک موتور شبیه‌سازی توسعه داده‌ شده است. طراحی و پیاده‌سازی رهیافت پیشنهادی با استفاده از زبان متلب انجام‌ شده است. محیط انجام آزمایش شامل یک مرکز داده و تعدادی میزبان هست. برای روش ارائه‌ شده معیارهای ارزیابی مختلفی نیز ارائه شده و رهیافت پیشنهادی به دو صورت پیاده‌سازی شده است. یکی به این صورت که الگوریتم تبرید برای تک‌به‌تک نمونه جمعیت تولید شده توسط الگوریتم ژنتیک توسعه داده‌شده، اجرا شود. روش دیگر که نتایج بهتری به همراه دارد به این صورت است که الگوریتم تبرید تنها بر روی بهترین نمونه از جمعیت اجرا شود. نتایج تجربی نشان می‌دهند رهیافت پیشنهادی در مقایسه با پیاده‌سازی‌های غیر اکتشافی 70درصد، در مقایسه با الگوریتم ژنتیک30 درصد و همچنین در مقایسه با الگوریتم تبرید 30 درصد زمان تکمیل اجرای درخواست کمتری دارد و درنتیجه عملکرد بهتری دارد.