یک رویکرد مبتنی بر خوشه بندی و پیش بینی افق برای اجتناب از سربار در ادغام ماشین های مجازی

با افزایش تعداد ماشین های مجازی در یک میزبان و بارکاری پویای ماشین های مجازی در فرایند ادغام، بخاطر کمبود منابع، وقوع سربار در میزبان ها اجتناب ناپذیر است. جلوگیری از وقوع سربار با پیش بینی دقیق از میزان درخواست منابع در میزبان ها و کاهش به موقع تعداد ماشین های مجازی در میزبانی که ممکن است سربار در آن رخ دهد، بهترین استراتژی است. ما برای تشخیص سربار، اطلاعات منابع مختلف مانند پردازنده، حافظه اصلی و پهنای باند را به پنجره های دو بخشی با طول مشخص تقسیم بندی و این پنجره ها را بر اساس میزان شباهت بخش اول آنها با روشk-means خوشه بندی می کنیم. پنجره نهایی آخرین اطلاعات ثبت شده از درخواست منابع است که پیش بینی وقوع سربار بر اساس آن صورت می گیرد. چارچوب پیشنهادی با قرار دادن پنجره نهایی در خوشه متناظر، از اطلاعات تمام پنجره های زمانی مشابه به هم برای پیش بینی افق استفاده می کند. الگوریتم پیشنهادی در این چارچوب با استفاده از پیش بینی دقیق ، ضمن کاهش خطا در تشخیص وضعیت میزبان امکان عکس العمل به موقع برای سربارهای احتمالی آینده را فراهم می کند. نتایج شبیه سازی با بارکاری واقعی نشان داد روش پیشنهادی با پیش بینی به موقع سربار و عکس العمل به هنگام، میزان جریمه های ناشی نقض توافق کیفیت سرویس (sla) تا 39% درصد و تعداد مهاجرت ها را تا 32% نسبت به روش های شاخص کاهش می دهد. بنابراین راهکار پیشنهادی می تواند کیفیت سرویس را در مراکز داده ابری ارتقاء دهد.

a clustering and horizon prediction approach for overload avoidance in virtual machine consolidation

overload is inevitable in hosts due to the increasing number of virtual machines in a host and dynamic workload in the consolidation process in response to resource shortages. we divide information of different resources such as cpu, main memory, and bandwidth for overload detection to bisection windows with specialized lengths. then their windows are clustered based on the similarity of their first section with the k-means algorithm. the final window includes the host logged information of resource demand based on which overload prediction occurred. the proposed framework uses information from similar time windows for horizon prediction by putting the final window in the corresponding cluster. the proposed algorithm in this framework provides an on-time reaction for possible future overloads based on accurate prediction besides error reduction in host status detection. the simulation results with real workload indicate that the proposed method reduces the penalties of service level agreement (sla) to 39% and migration numbers to 32% in relation to benchmark methods based on time overload prediction and reaction. therefore, the proposed approach could promote the qos level in cloud datacenters.