توازن‌بار در محیط رایانش ابری با در نظر گرفتن وابستگی میان وظایف و استفاده از الگوریتم ژنتیک تطبیقی

گسترش روز افزون نیازهای محاسباتی، اهمیت استفاده از رایانش ابری را روز به روز بیشتر می‌کند. رایانش ابری، یک مدل رایانشی بر مبنای شبکه‌های رایانه‌ای است که الگویی تازه برای عرضه‌ی منابع را ارائه می‌دهد، بگونه‌ای که کاربران بر اساس نیاز خود، منابع را درخواست نموده یا آن‌ها را آزاد می‌سازند. هنگامیکه تقاضاها برای استفاده از منابع رایانشی افزایش می‌یابند، توزیع مناسب آنها از اهمیت بالایی برخوردار می‌شود، چراکه اگر یک واحد پردازشی دارای حجم زیادی از وظایف، و واحدی دیگر تقریباً بیکار باشد، از منابع بخوبی استفاده نمی‌شود و همچنین زمان اتمام کل وظایف می‌تواند بسیار افزایش بیابد. لذا برای غلبه بر این مشکل، از تکنیک توازن بار استفاده می‌شود. بطورکلی از دید محاسباتی، به فرایند توزیع متعادل بار بر روی واحدهای پردازشی، توازن‌بار گفته می‌شود. در اکثر پژوهش‌های انجام‌شده در رابطه با توازن‌بار، تعاملات میان وظایف در حال اجرا، در نظر گرفته نشده، لذا در صورتیکه وظایف در تعامل با یکدیگر، در واحدهای پردازشی مجزا، در یک شبکه توزیع‌شده قرار گرفته باشند، تعاملات میان آن‌ها می‌تواند در زمان اتمام کل وظایف، تاثیرگذار باشد. هدف از این پژوهش، ارائه روشی است که بتواند با در نظر گرفتن تعاملات میان وظایف، به یک توازن‌بار مطلوب در شبکه دست یابد، بطوریکه زمان اتمام کل و زمان بیکاری ماشین‌ها به حداقل برسند. برای این منظور، از الگوریتم ژنتیک استفاده می‌شود. نتایج آزمایشی بدست‌آمده نشان می‌دهند که محلی‌کردن تعاملات، تاثیر قابل توجهی در کاهش زمان اتمام کل خواهد داشت.

load balancing in cloud computing environment by considering the dependency among tasks and using adaptive genetic algorithm

the increasing computing needs leads to an increase in the importance of using cloud computing day by day. cloud computing is a computing model based on computer networks that presents a new pattern to supply resources, so that users request or release resources based on their needs. when the requests for computing resources increase, proper distribution of resources becomes very important, because if a computational unit has a large number of tasks and the other one is almost idle, resources are not used well and also makespan would be very high. therefore, in order to overcome this problem, load balancing technique is used. in general, from the computing point of view, the process of distributing the loads on the processing units in a balanced way is called load balancing. in most researches, interactions between running tasks are not considered, so if the tasks in interaction with each other are located in separate processing units in a distributed network, the interactions between them would be effective on makespan. the aim of this research is to present an approach which can achieve a desirable load balancing in the network, such that the makespan and idle time of machines minimized, taking into account the interactions between the tasks. for this purpose, the genetic algorithm is used. the obtained experimental results show that localizing the interactions will have a significant impact in reducing the makespan.