ارائه یک الگوریتم بهینه برای زمان‌بندی منابع و پارتیشن‌بندی کد در محاسبات ابری تلفن همراه

نوع مقاله: مقاله پژوهشی

نویسندگان

1 کامپیوتر،ازاد اسلامی واحد زاهد شهر،ایران

2 عضو هیئت علمی دانشگاه آزاد واحد زاهدشهر

چکیده

با تکنولوژی مجازی‌سازی، مراکز داده  ابری امروزی انعطاف‌پذیرتر و امن‌تر می‌شود و بر اساس تقاضا تخصیص می‌یابد. یک فناوری کلیدی که نقش مهمی در مراکز داده ابری بازی می‌کند، برنامه زمان‌بندی منابع است. در این مقاله برای حل مشکلات موجود در این حوزه با استفاده از الگوریتم تکاملی ازدحام ذرات برای کوچک کردن حیطه اهداف چندگانه به‌ اندازه‌ای مناسب، راهبرد جایابی نزدیک به بهینه ارائه شده است. روش جایابی مبتنی بر الگوریتم بهینه‌سازی ازدحام ذرات، به دلیل افزایش در قابلیت محاسباتی پردازشگرها در پنج سال گذشته می‌تواند به ‌عنوان یک روش جایابی زمان واقعی عمل کند. این جایابی یک روش جستجو بوده که در آن شایستگی به صورتی پویا بر مبنای واریانس‌های مقادیر تناسب در هر نسل تغییر می‌کنند. این روش مهاجرت و جایابی، به حداقل‌سازی زمان تکمیل ماشین‌های مجازی نیز توجه می‌کند. برای ارزیابی روش پیشنهادی، نتایج حاصله طی معیارهای متفاوت کیفیتی و از جنبه‌های متفاوت و بر اساس تغییر در پارامترهای مختلف اجرایی مورد مقایسه و بررسی قرار گرفت. کارایی روش معرفی ‌شده در مقایسه با سایر روش‌های موجود در این زمینه مقایسه شد که نتایج بیانگر کیفیت بالای روش پیشنهادی می‌باشد.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Presenting an Optimal Algorithm for Resource Scheduling and Code Partition in Mobile Cloud Computing

نویسندگان [English]

  • raziyeh Ghasemi 1
  • farzaneh famoori 2
1 Computer,engineering,islamic azad unit zahedshahr,iran
2 Academic member of Azad University of Zahedashehr Branch
چکیده [English]

Through virtualization technology, current cloud data centers are becoming more flexible and secure, and are allocated on demand. A key technology playing an important role in cloud data centers is the resource scheduling program. In this paper, a near-optimal strategy is proposed to solve the problems in this field, by using an evolutionary particle swarm algorithm to reduce the range of multiple targets to a proper level. The placement method based on the particle swarm optimization algorithm can act as real-time placement, due to the increase in computational capability of processors over the past five years. This placement is a searching method in which competencies are dynamically altered based on the variance of fitness values ​​in each generation. This migration and placement approach also minimizes the completion time for virtual machines. In order to assess the proposed method, the results were analyzed and compared through various qualitative criteria, from different aspects and based on changes in different functioning parameters. The performance of the proposed method was compared with other approaches in this field and reflects the high quality of the proposed method.

کلیدواژه‌ها [English]

  • Code Partition
  • Mobile Cloud Computing
  • Particle Swarm Optimization
  • Resource Scheduling
  • Virtual Machine

[1]کامل طباخ فریضنی، سید رضا، هاشمی، سیده طیبه، 1395، الگوریتم تعادل بار وظایف وابسته در محاسبات ابری با الهام از رفتار زنبور عسل- کنفرانس بین‌المللی پژوهش‌های نوین در علوم مهندسی.

[2]اسمعیلی، محمد، میرزایی، عباس، 1394،  زمان‌بندی وظایف در رایانش ابری با استفاده از الگوریتم بهینه‌سازی ازدحام ذرات بهبود یافته، کنفرانس بین‌المللی یافته‌های نوین پژوهشی درمهندسی برق و علوم کامپیوتر.

[3] S. Sowndarya, L. Ben, Communication Augmented Latest Possible Scheduling for cloud computing with delay constraint and task dependency, 2016

[4] Huang, Daochao, et al. "Energy-aware virtual machine placement in data centers." Global Communications Conference (GLOBECOM), 2012 IEEE. IEEE, 2012.

 

[5] A. Oprescu and T. Kielmann, "Bag-of-tasks scheduling under budget constraints," in Cloud Computing Technology and Science (CloudCom), 2010 IEEE Second International Conference on, 2010, pp. 351-359.

[6] R. Van den Bossche, K. Vanmechelen, and J. Broeckhove, "Online costefficient scheduling of deadline-constrained workloads on hybrid clouds," Future Generation Computer Systems, vol. 29, pp. 973-985, 2013.

[7]   J. Li, J. Peng, Z. Lei, W. Zhang, “An Energy-Efficient Approach Based on Private Clouds”, Journal of Information & Computational Science, april 2011.

 

[8]     S. K. Garg, C. S. Yeo, A. Anandasivam, R. Buyya, “Energy-Efficient Scheduling of HPC Applications in Mobile Cloud Computing Environments”, Elsevier publications, September 2013.

 

[9]     R. Chang, J. Chang, Po-Sheng Lin, “An ant algorithm for balanced job scheduling in grids”, Future Generation Computer Systems, june 2008.

 

[10]    U. gurean, “Job Scheduling Algorithm based on Dynamic Management of Resources Provided by Mobile Computing System.”, feb 2010.

 

[11]   G. Gharoonifar, Fahime Moeidarbari, Hossein Deldari, Anahita Morvaridi, “Scheduling of scientific workflows using a chaos-genetic algorithm”, Elsevier publications, 2014.

 

[12] U. Deshpande, Y. You, D. Chan, N. Bila, K. Gopalan, (2014) "Fast server deprovisioning through scatter-gather live migration of virtual machine", IEEE Cloud.

 

[13] M. Ramachandran, V. Chang, (2016) "Towards performance evaluation of cloud service providers for cloud data security", International Journal of Information Management, Vol. 36, no. 4, pp, 618-625.

 

[14] M. Galloway, L. Gabriel, S. Vrbsky, (2015) "Performance Metrics of Virtual Machine Live Migration", Mobile Cloud Computing (CLOUD) 2015 IEEE 8th International Conference on. IEEE, 2015.

 

[15] Zhang F. Chen J. Chen H. Zang B, (2011) "CloudVisor: retrofitting protection of virtual machines in multi-tenant cloud with nested virtualization", Proceedings of the Twenty-Third ACM Symposium on Operating Systems Principles, 2011.

 

[16] Lin C. C. Jian Z. D. Hsu C. H. (2014) "A Strategy of Service Quality Optimization for Live Virtual Machine Migration", Proc. the IEEE 17th Int. Conf. Computational Science and Engineering, vol. 566, pp. 1308-1313.

 

[17] Paolo B. Rebecca M. Sajal K.’ Mobile social networking middleware: A survey’. Mobile social networking middleware: A survey, Pervasive and Mobile Computing, pp-1_33. 2015.

 

[18] M. Galloway, L. Gabriel, S. Vrbsky, (2015) "Performance Metrics of Virtual Machine Live Migration", Mobile Cloud Computing (CLOUD) 2015 IEEE 8th International Conference on. IEEE, 2015.

 

[19] Zhang F. Chen J. Chen H. Zang B, (2011) "CloudVisor: retrofitting protection of virtual machines in multi-tenant cloud with nested virtualization", Proceedings of the Twenty-Third ACM Symposium on Operating Systems Principles, 2011.

 

[20] Lin C. C. Jian Z. D. Hsu C. H. (2014) "A Strategy of Service Quality Optimization for Live Virtual Machine Migration", Proc. the IEEE 17th Int. Conf. Computational Science and Engineering, vol. 566, pp. 1308-1313.

 

[21] Y. Liu, H. Shao, W. Jing, Zhaowen Qiu, Multi-DAGs Scheduling Integrating with Security and Availability in Mobile Cloud Environment, Chinese Journal of Electronics, Vol. 24, no. 4, 2015.

 

[22] Zhang J. Ren F. Shu R. (2016) "Guaranteeing Delay of Live Virtual Machine Migration by Determining and Provisioning Appropriate Bandwidth", IEEE Trans. Comput. vol. 65, no. 9, pp. 2910-2917.

 

[23] Shafi’i M. A., Latiff M. S., Gaddafi A., Madni S. H., Secure Scientific Applications Scheduling Technique for Cloud Computing Environment Using Global League Championship Algorithm, PLoS One Journal. Vol. 6, no. 11, 2016.

[24] P. Kumar, A. Verma, Scheduling using improved genetic algorithm in cloud computing for independent tasks, ICACCI '12 Proceedings of the International Conference on Advances in Computing, Communications and Informatics, Pages 137-142, 2012.

[25] M. A. Tawfeek, A. El-Sisi, A. E. Keshk, F. A. Torkey, Cloud task scheduling based on ant colony optimization,Computer Engineering & Systems (ICCES), 2013 8th International Conference on, 2013.

CAPTCHA Image