بهبود کارایی ترکیب ماشین های مجازی با استفاده از مدل زنجیره مارکوف در محیط پردازش ابری

امروزه رایانش ابری یکی از تکنولوژی های مهم در حال پیشرفت است و تمایل برای استفاده از این تکنولوژی بسیار بالا است. ازجمله مهم ترین چالش های این تکنولوژی مصرف بالا انرژی می باشد که هزینه زیادی برای ارائه دهندگان این تکولوژی به همراه دارد. راهکاری که برای کاهش مصرف انرژی وجود دارد ادغام میزبان ها در مراکز داده ابری است. در این پژوهش با استفاده از مدل زنجیره مارکوف و پیش بینی بار کاری میزبان ها براساس میزان مصرف پردازنده مرکزی و حافظه اصلی در تلاش هستیم تا به کمتر شدن نقض توافقنامه سطح خدمات بپردازیم. از طرفی در نظر داریم با ارائه یک معیار جدید به نام دانه بندی و استفاده از آن در کنار سایر معیار هایی که قبلا توسط پژوهشگران دیگر مورد استفاده قرار گرفته است، بتوانیم با تشخیص بهتر میزبان های کم بار و مهاجرت دادن ماشین مجازی های آنها و سپس خاموش کردن این میزبان ها به کمتر شدن مصرف انرژی نیز کمک کنیم.

improving the efficiency of the combination of virtual machines using the markov chain model in the cloud computing environment

nowadays, cloud computing is one of the significant emerging technologies, and the inclination to use this technology is very high. one of the most important challenges of this technology is high energy consumption, which incurs substantial costs for the providers of this technology. a solution for reducing energy consumption is the consolidation of hosts in cloud data centers. in this research, using the markov chain model and workload prediction of hosts based on cpu and main memory usage, we aim to reduce the violation of service level agreements. additionally, we intend to introduce a new metric called granularity and use it alongside other metrics previously utilized by other researchers. by better identifying underloaded hosts, migrating their virtual machines, and subsequently shutting down these hosts, we hope to contribute to the reduction of energy consumption.