مقاله ایجاد تعادل بار روی ماشین های مجازی در رایانش ابری با الگوریتم PSOGA

مقاله ایجاد تعادل بار روی ماشین های مجازی در رایانش ابری با الگوریتم PSOGA

ایجاد تعادل بار روی ماشین های مجازی در رایانش ابری

در این بخش مقاله ایجاد تعادل بار روی ماشین های مجازی در رایانش ابری با الگوریتم PSOGA را به زبان فارسی برای دانلود رایگان قرار دادیم که از مقالات دانشگاه علم و صنعت ایران می باشد که در دومین کنفرانس بین المللی ترکیبیات رمزنگاری و محاسبات ارائه شده است. در ادامه به چکیده این مقاله پرداخته و فهرست مطالب ارائه شده در آن به همراه لینک دانلود رایگان نسخه PDF قرار داده شده است.

تعادل بار در رایانش ابری

در حال حاضر موضوع تعادل بار یا لود بالانسینگ (Load Balancing) یکی از چالش های مهم در معماری رایانش ابری یا محاسبات ابری (Cloud Computing) می باشد. تعادل بار کمک می کند تا حجم کار پویا بین گره های مختلف توزیع گردد تا اطمینان حاصل شود که هیچ یک از گره های شبکه دچار بار بیش از حد نشود. این موضوع را می توان به عنوان مشکل بهینه سازی در نظر گرفت. یک متعادل کننده بار مناسب می باست به بهبود همزمان پارامتر های: کاهش زمان تمام شدن آخرین کار در بین منابع، کاهش مجموع هزینه های پرداختی از طرف کاربران برای اجاره منابع، توانایی مقیاس پذیری، اجتناب از گلوگاه ها و همچنین افزایش میزان بهره وری منجر شود و عملکرد سیستم را نیز ارتقا بخشد.

معرفی مقاله

اگرچه الگوریتم های تعادل بار مختلفی طراحی و ارائه شده اند که با انتخاب ماشین های مجازی درست، در درخواست تخصیص کارآمد هستند اما با توجه به اهمیت فرآیند تعادل بار در رایانش ابری، هدف این مقاله بررسی این فرآیند و ارائه یک الگوریتم جدید برای ایجاد تعادل بار در رایانش ابری با به کم کردن زمان تکمیل آخرین کار و افزایش حداکثری توان عملیاتی است. نتایج به دست آمده از شبیه سازی در نرم افزار MATLAB نشان داد که راهکار پیشنهادی ما که مبتنی بر ترکیب الگوریتم بهینه سازی ازدحام ذرات (PSO) و استراتژی جهش الگوریتم ژنتیک (GA) می باشد، از کارایی بالایی برخوردار می باشد و می تواند به تعادل بار خوبی در محیط رایانش ابری مقیاس بزرگ نسبت به الگوریتم های تعادل بار قبلی برسد.

فهرست مطالب مقاله

  • چکیده
  • مقدمه
  • بهینه سازی
  • الگوریتم بهینه سازی ازدحام ذرات (PSO)
  • الگوریتم ژنتیک (GA)
  • الگوریتم پیشنهادی (PSOGA)
  • فرضیات
  • نحوه محاسبه تابع برازندگی
  • نتایج شبیه سازی و تحلیل آنها
  • تغییر در پارامترهای اولیه الگوریتم پیشنهادی
  • تغییر در تعداد تکرارهای برنامه
  • تغییر در جمعیت اولیه
  • تغییر در مقادیر C1 و C2
  • نتیجه گیری این بخش
  • مقایسه روش پیشنهادی با الگوریتم های دیگر
  • مقایسه زمان تکمیل آخرین کار
  • مقایسه زمان اجرای برنامه
  • نمودار همگرایی
  • تعداد تکرارها ۱۰۰
  • تعداد تکرارها ۳۰۰
  • نتیجه گیری این بخش
  • نتایج شبیه سازی با متلب
  • نتیجه گیری
  • مراجع

مشاهده ویدئو در این باره

خوشحال خواهیم شد اگر نظر خودتون رو درباره این مطلب ثبت کنید

خطا!دکمه ریفریش را بزنید