بهینه‌سازی زمانبندی وظایف در محیط ابر با استفاده از ویرایش فازی الگوریتم بهینه‌سازی اجتماع ذرات

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه آزاد اسلامی،واحد گرمسار،دانشکده مهندسی کامپیوتر و فناوری اطلاعات، گروه کامپیوتر

چکیده

امروزه با توجه به استفاده­ی روزافزون از محیط ابر توسط شرکت­ها و سازمان­ها، زمان­بندی وظایف در این نوع محیط­ها از اهمیت ویژه­ای برخوردار است. الگوریتم­های متنوعی برای تخصیص وظایف به منابع در محیط ابر پیشنهاد شده است که اغلب آن­ها معیارهایی همچون توزیع بار متعادل، تخصیص بهینه­ی منابع و کاهش زمان اجرای وظایف را در نظر نمی­گیرند. در این کار با استفاده از الگوریتم فرااکتشافی ازدحام ذرات و منطق فازی، زمان اجرای وظایف کاهش و در نتیجه بهره­وری منابع افزایش می­یابد. به­طور کلی در یک سیستم توزیع­شده همچون محیط ابر، توزیع وظایف بر روی ماشین­های مجازی به صورت تصادفی انجام می­شود. در نتیجه، بار کل بر روی محیط ابر غیرمتعادل می­شود که این امر از بهره­وری منابع می­کاهد. دراین تحقیق، الگوریتم ازدحام ذرات1 و منطق فازی برای زمانبندی وظایف استفاده می­شود. علاوه بر این، استفاده از الگوریتم آنیلینگ شبیه­سازی شده2 برای بهبود شرایط اولیه داده­های تصادفی پیشنهاد می­شود. نتایج نشان می­دهد که روش بهینه­سازی پیشنهادی در این کار، معیارهای عملکرد الگوریتم زمانبند مانند زمان خاتمه کار3 را در مقایسه با الگوریتم­های فاقد بهینه سازی (مانند راندرابین4) و حتی در مقایسه با الگوریتم های بهینه سازی دیگر همچون الگوریتم ژنتیک5 به طور موثری بهبود می بخشد.

کلیدواژه‌ها


عنوان مقاله [English]

Optimization of Job Scheduling in the Cloud Computing Environment Using the Fuzzy Particle Swarm Optimization Algorithm

نویسندگان [English]

  • Shabnam Gharaeian
  • Khosrow Amirizadeh
Department of Computer Engineering, Garmsar Branch, Islamic Azad University,Garmsar,Iran
چکیده [English]

Nowadays, along with the constant increase of using cloud environment by companies and organizations, scheduling jobs in this environment in an optimum way is of prime importance. Therefore, different algorithms have been suggested for assigning tasks to resources in cloud environments; however, most of which do not consider criteria such as balanced load, and reduction of the task completion time. In this work, using the meta-heuristic algorithm of swarm particles optimization (PSO) and fuzzy logic, task completion time is reduced, and, as a result of which, efficiency of using resources is increased. Generally, in a distributed system like cloud environment, tasks are assigned randomly to resources. Hence, total load on the cloud environment could become imbalanced, which reduces system’s efficiency. In this research, PSO and fuzzy logic is used for job scheduling. In addition, the use of simulated annealing (SA) to improve the initial solutions, which are generated randomly, is suggested. Results show that the suggested optimization method can effectively improve criteria like makespan once compared with results of algorithms without optimization, like Ron-robin, and even in comparison to other optimization algorithms, like genetic algorithm. 

کلیدواژه‌ها [English]

  • Cloud computing
  • Job scheduling
  • Particle Swarm Optimization
  • Fuzzy Logic
  • Simulated Annealing

مراجع

[1] T. Erl, R. Puttini, and Z. Mahmood, Cloud Computing: Concepts,Technology & Architecture. 1st ed. Englewood Cliffs, NJ, USA:Prentice-Hall, 2013.

[2] S. K. Garg, S. Versteeg, and R. Buyya, “A framework for ranking of cloud computing services,” Future Generation Comput. Syst., vol. 29, no. 4, pp. 1012–1023, Jun. 2012.

[3]  G. Nan, Z. Mao, M. Li, Y. Zhang, S. Gjessing, H. Wang, and M.Guizani, “Distributed resource allocation in cloud-based wireless multimedia social networks,” IEEE Netw. Mag., vol. 28, no. 4, pp. 74–80, Jul. 2014.

[4]   R. Yu, Y. Zhang, S. Gjessing, W. Xia, and K. Yang, “Toward cloudbasedvehicular networks with efficient resource management,”IEEE Netw. Mag., vol. 27, no. 5, pp. 48–55, Sep./Oct. 2013.

[5] H. Liu, A. Abraham, and A. E. Hassanien, "Scheduling jobs on computational grids using a fuzzy particle swarm optimization algorithm," Future Generation Computer Systems, vol. 26, no. 8, pp. 1336-1343, 2010/10/01/ 2010.

[6] Eberhart RC, Kennedy J. A new optimizer-using particle swarm theory. In: Proceedings of the Sixth International Symposium on Micro Machine and Human Science, 1995:39‐43.

[7]E.Goldberg and J.H.Holland,”Genetic algorithms and machine learning”,Mach Learn.,vol.3,no.2,pp.95-99,1988.

[8] J. Liu, X. G. Luo, X. M. Zhang, and F. Zhang, "Job scheduling algorithm for cloud computing based on particle swarm optimization," in Advanced Materials Research, 2013, pp. 957-960.

[9] S. Javanmardi, M. Shojafar, D. Amendola, N. Cordeschi, H. Liu, and A. Abraham, "Hybrid job scheduling algorithm for cloud computing environment," in Proceedings of the Fifth International Conference on Innovations in Bio-Inspired Computing and Applications IBICA 2014, 2014, pp. 43-52.

[10] S. M. Abdulhamid, M. S. A. Latiff, and I. Idris, "Tasks scheduling technique using league championship algorithm for makespan minimization in IAAS cloud," arXiv preprint arXiv: 1510.03173, 2015.

[11] F. Ramezani, J. Lu, and F. K. Hussain, "Task-based system load balancing in cloud computing using particle swarm optimization," International journal of parallel programming, vol. 42, pp. 739-754, 2014.

[12]S. Parthasarathy and C. J. Venkateswaran, "Scheduling jobs using oppositional-GSO algorithm in cloud computing environment," Wireless Networks, pp. 1-11.

[13] Z. Zhang and X. Zhang, "A load balancing mechanism based on ant colony and complex network theory in open cloud computing federation," in Industrial Mechatronics and Automation (ICIMA), 2010 2nd International Conference on, 2010, pp. 240-243.

[14]  S. Sethi, A. Sahu, and S. K. Jena, "Efficient load balancing in cloud computing using fuzzy logic," IOSR Journal of Engineering, vol. 2, pp. 65-71, 2012.

[15] Krishna PV. Honey bee behavior inspired load balancing of tasks in cloud computing environments. Appl Soft Comput. 2013;13:2292‐2303.

[16] Calheiros RN, Ranjan R, Beloglazov A, De Rose CA, Buyya R. CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms. Softw Pract Exp. 2011;41:23‐50.

CAPTCHA Image