ارائه یک روش جدید جهت افزایش توازن بار در محیط رایانش ابری مبتنی بر الگوریتم ژنتیک بهبود یافته

با پتانسیل بالایی که رایانش ابری برای ذخیره ‌سازی و پردازش داده‌ها، از راه دور دارد، این فناوری نمونه‌ای جدید از محاسبات را ارائه داده است. در محیط‌های ارائه‌دهنده خدمات ابری، ماشین‌های مجازی از چندین سازمان روی همان سرور فیزیکی قرار داده شده‌اند که باعث می‌شود بازده مجازی‌سازی به حداکثر میزان خود برسد. در چنین زیرساخت مقیاس پذیری، بدون فراهم کردن راهکارهائی جهت مدیریت بارهای ترافیکی و پخش آن ها بین سایر گره‌ها، می‌تواند سبب ایجاد گلوگاه و ازدحام شود. درنتیجه نیاز به راهکارهایی جهت متوازن نمودن بار و پخش آن در بین سایر گره های پردازشی است. در این مقاله یک راهکار پیشرفته مبتنی بر الگوریتم ژنتیک بهینه یافته به منظور زمان‌بندی و ایجاد توازن بار در زیرساخت ابری ارائه می شود، بر همین اساس پارامترهای بررسی منبع به الگوریتم اضافه شده است تا قبل از زمان‌بندی، وضعیت منابع نیز موردبررسی قرار گیرد. درواقع تکنیک پیشنهادی از طریق تخصیص بهینه وظایف به سرورهای پردازشی، از افزایش بیش از حد یا کم باری در سرورها جلوگیری بعمل می‌آورد. همچنین سرورهائی که دارای بار زیاد هستند و بعبارتی دچار ازدحام شده‌اند، با استفاده از مهاجرت ماشین مجازی، وظایف آن ها به یک سرور دیگر انتقال داده می‌شوند تا از این طریق زمینه سازی افزایش توازن بار در زیرساخت ابری فراهم شود. در پایان راهکار پیشنهادی از طریق شبیه‌ساز کلودسیم و با آزمایش بر روی حجم کار بیش از هزار ماشین مجازی بر روی داده ها plantlab مورد ارزیابی قرار داده شده است. نتایج حاصل از شبیه سازی نشان می دهد که راهکار پیشنهادی توانسته است که معیار نقض توافق نامه سطح سرویس را در مقایسه با روش های amut  و eqvs به طور میانگین به میزان 46 درصد، معیار مصرف انرژی را به  طور میانگین به میزان 18 درصد و معیار تعداد مهاجرت های ماشین مجازی را  به  طور میانگین به میزان 24 درصد بهبود دهد.

a new method to increase load balance in a cloud computing environment based on an improved genetic algorithm

with the high potential that cloud computing has for remote data storage and processing, cloud computing has introduced a new computing technology for storing and processing data. in cloud service environments, virtual machines from multiple organizations are placed on a physical server, which increase the efficiency of virtualization. in such a scalability infrastructure, we have some bottlenecks and congestion in our cloud without managing traffic. so, we need the solutions to balance the load and distribute tasks among other processing servers. we present an advanced solution based on optimized genetic algorithm for scheduling and balancing load in cloud infrastructure in this paper. we add some parameters to the algorithm to check resource status before scheduling. in fact, the proposed technique prevents overload or underload on the servers by optimally assigning tasks to processing servers and the tasks of high-load and congested servers are transferred to another server using live migration of the virtual machine, in order to increase the load balance of the cloud infrastructure at the end, the proposed solution is evaluated through the cloudsim simulator and by testing the volume of more than a thousand virtual machines on the plant lab data. the results of the simulation results show that the proposed solution has been able to violate the service level agreement compared to the amut  and eqvs methods on average 46%, the energy consumption criterion on average by 18 % and averages number of virtual machine migrations improved by 24%.