wstmos: روشی جهت بهینه سازی توان عملیاتی، انرژی و تاخیر در زمانبندی جریان ‏های کاری ابری

استفاده از رایانش ابری در مراکز داده مختلف در سراسر دنیا، منجر به تولید بیشتر گاز دی‌اکسیدکربن می‌شود، که در آن مسئله انرژی و توان یکی از مسائل مهم می‏باشد. الگوریتم آگاه به انرژی و توان عملیاتی برای زمان‌بندی جریان‏های کاری نمونه - فشرده اینترنت اشیا با پردازش دسته‌ای در ابرها مورد مطالعه قرارگرفته و روشی جهت زمان‌بندی جریان‏های کاری ابری برای بهینه سازی انرژی، توان عملیاتی و تاخیر ارائه‌ شده است. در روش پیشنهادی نسبت به روش قبلی با ایجاد پارامترهای فاصله، دسته‌بندی ورودی‌ها و همچنین زمان اجرای واقعی، توان عملیاتی، انرژی و تاخیر را بهبود داده‌ایم. روش wstmos با درنظرگرفتن پارامترهای شاخص و زمان واقعی، به تابع صلاحیت بهینه‌ای دست یافته است. همچنین روش پیشنهادی پارامتر فاصله زمانی وظیفه، نسبت به ماشین‏های مجازی برای کاهش تعداد مهاجرت‌های ماشین‏های مجازی، استفاده ‌شده است. روش wstmos با دسته‌بندی ورودی‌های جریان کاری به گروه‏های کم، متوسط و پرحجم و همچنین توزیع بار مناسب بر روی سرورهای مناسب‌تر جهت آستانه پردازنده‏ها، میزان انرژی و هزینه را بهینه نموده و همچنین میزان مصرف انرژی به طور میانگین 4.8 درصد و هزینه 4.4 درصد، نسبت به روش مورد مطالعه کاهش یافته است.

wstmos: a method for optimizing throughput, energy, and latency in cloud workflow scheduling

the application of cloud computing in different datacenters around the world has led to the generation of more co2 gas. in this paper, the energy and throughput-aware algorithm for scheduling instance-intensive iot workflows with batch processing in clouds is studied, and a method for scheduling cloud workflows to optimize energy, throughput, and latency is introduced. in the proposed method, throughput, energy, and latency have been improved in comparison to previous methods by creating distance parameters, clustering inputs, and considering real execution time. in the wstmos method by considering special parameters and real execution time, we managed to reach the optimized objective function. moreover, in the proposed method parameter of the time distance of tasks to virtual machines for decreasing the number of migrations in virtual machines was applied. in the studied method clustering the workflow inputs to low, medium, and high load groups and also distributing the load on more suitable servers by the use of the threshold detector, were done. the average energy, cost, average latency, throughput, and load balancing were optimized in comparison to previous studies. finally, energy and cost were optimized on average by 4.8 and 4.4 percent respectively.