زمان‌بندی چند محدودیته و پویا جریان های کار علمی در ابر به کمک بسته بندی چند منبع

جریان‌های‌کار علمی، دنباله ای از محاسبات هستند که پردازش داده های حجیم را در یک فرم ساختاریافته را ممکن می سازند. برای پردازش این جریان‌های‌کار به منابع زیادی نیاز است. هریک از آن ها ازنظر منابع مورد نیاز ویژگی خاصی دارد. پژوهش‌های زیادی در حوزه زمان‌بندی جریان‌کار در محیط‌های مختلف از جمله ابر انجام شده است. ابر یک محیط مقیاس‌پذیر و اقتصادی است که به کاربرها امکان دسترسی به منابع محاسباتی نامحدود با مدل هزینه، پرداخت به میزان استفاده را می‌دهد. افزایش انگیزه کاربرها در اجرای جریان‌های‌کار در محیط ابری باعث توسعه بستر های چندمستاجره ای مانند بستر جریان‌کار به‌عنوان سرویس شده است. این بستر محیطی را ارائه می‌دهد که کاربر ها به‌راحتی می توانند جریان‌های‌کار خود را با تعیین کیفیت سرویس موردنظر خود برای اجرا ثبت کنند. زمان و هزینه معروف ترین انواع کیفیت سرویس هستند. در این مقاله ما الگوریتمِ زمان‌بندیِ چند محدودیتی و پویا را برای محیط جریان کار به عنوان سرویس، معرفی می‌کنیم . برخلاف الگوریتم‌های معرفی شده در این حوزه، در الگوریتم پیشنهادی دو کیفیت سرویس فرجه و بودجه را به طور همزمان در نظر گرفته شده است. معمولاً پژوهشگرها با هدف ساده کردن مسئله، تنها نیازمندی توان پردازشی را برای محاسبات یک جریان‌کار در نظر گرفته اند اما در روش پیشنهادی علاوه بر نیازمندی توان پردازشی، نیازمندی حافظه نیز در نظر گرفته می شود. همچنین ، در الگوریتم پیشنهادی با بهره‌گیری از کانتینر، امکان اشتراک منبع بین کاربرها و اجرای چند وظیفه به طور همزمان روی آن و در نهایت کاهش هزینه وجود دارد. این الگوریتم از یک معیار دو-فاکتور برای کنترل و سبک وسنگین کردن بین هزینه و بهره‌وری منابع در حین نگاشت وظیفه‌ها به منابع استفاده می‌کند. نتایج حاصل از آزمایش‌ها نشان می‌دهدکه نرخ موفقیت الگوریتم در بارهای کاری مختلف بالای 96% است. همچنین این الگوریتم در بارهای کاری متفاوت در مقایسه با دو الگوریتم زمان بندی epsm و mw-hbdcs هزینه کل را حداقل 13.2% و به طور میانگین 33.2% کاهش داده و از نظر تعداد ماشین‌های مجازی اجاره‌شده نیز بهتر عمل می‌کند.

Multi-Constraint Dynamic Scheduling of Scientific Workflows in Cloud with Multi-Resource Packing

Scientific workflows are large compute-intensive applications that consist of different smaller parts called tasks, connected with specific structures to each other, to process data. Recently, numerous researches have been focused on solving the workflow scheduling problem in the cloud. Since the cloud providers offer scalable and cost-effective computational resources to their users and charge them based on a pay-as-you-go model, user’s requests to run workflows in such an environment increase. Consequently, this brings the need for environments like Workflow as a Service platform. In these environments, users can submit workflows dynamically with their quality of service requirements. Usually, users specify these requirements in terms of time and cost. However, considering all these factors the scheduling problem is challenging.In this paper, we propose a multi-constraint dynamic workflow scheduling algorithm with multi-resource packing. Unlike existing algorithms, we consider both deadline and budget as the quality of service requirements simultaneously. Commonly the researchers consider CPU demand in their proposed approach for simplicity. However, in addition to CPU demand, we consider memory demand in this paper. The proposed algorithm leverages containers to shares VMs among different users and reduces the overall execution cost. In the proposed algorithm, we also introduce a bi-factor to tradeoff between cost and resource utilization while mapping tasks to resources. The evaluation results show that the proposed algorithm achieves at least 96% Planning Success Rate under different workloads. Also, the experiments show that the proposed algorithm outperforms the EPSM and MW-HBDCS workflow scheduling algorithms in terms of overall execution cost and total leased VM number. It decreased the overall execution cost by at least 13% and on average 33.2% under different workloads.