ارائه يك راهكار جهت تخصيص منابع در محاسبات ابري به منظور ايجاد توازن بار با استفاده از الگوريتم ژنتيك

Proposed a Solution for Resource Allocation in Cloud Computing for Load Balancing using Genetic Algorithm

مفهوم محاسبات ابري به طور قابل توجهي محيط سيستم هاي موازي و توزيع شده را تغيير داده است. توازن بار يكي از وظايف ضروري محاسبات ابري مي باشد. در چنين شرايطي، الگوريتم هاي توازن بار مي بايست در تخصيص درخواست ها نقش موثري داشته باشند همچنين اطمينان دهند كه استفاده از منابع با يك روش هوشمندانه صورت مي پذيرد بطوريكه بهره وري كم يا بهره وري زياد از منابع در محيط ابر رخ نمي دهد. از آنجا كه الگوريتم هاي رياضي بهينه سازي اغلب منجر به يك فرمول يا دستورالعمل خاص براي حل هر مساله مي شوند و همچنين بيشتر مسائل پيچيده نيازمند ارزيابي تعداد انبوهي از حالت هاي ممكن براي تعيين يك جواب دقيق مي باشند، لذا زمان لازم براي يافتن جواب به صورت نمايي افزايش مي يابد. الگوريتم هاي فرااكتشافي رويكرد جديدي مي باشند كه شامل الگوريتم هايي هستند كه صريحاً يا به صورت ضمني تقابل بين ايجاد تنوع جستجو و تشديد جستجو را مديريت مي كنند. يكي از مهمترين اين الگوريتم ها الگوريتم ژنتيك است، در اين تحقيق با توجه به مزايايي كه الگوريتم هاي فرااكتشافي نسبت به الگوريتم هاي سنتي داشتند روش محاسباتي بر اساس توازن بار با تركيب الگوريتم ژنتيك و الگوريتم خوشه بندي K-means، ارائه شده است كه به نام الگوريتم GA-Kmeans مي خوانيم كه توازن بار بهتر ميان ماشين هاي مجازي و همچنين بهبود زمان اتمام كامل كار(Make Span) را سبب مي شود. استراتژي توازن بار ابداع شده با ابزارNetbeans شبيه سازي شده است. نتيجه آزمايشات، مقايسه الگوريتم پيشنهادي با الگوريتم ژنتيك و الگوريتم ازدحام ذرات(Particle Swarm Optimization) مي باشد.

The concept of Cloud computing has significantly changed the field of parallel and distributed computing systems. Load balancing is one of the essential responsibilities of the cloud computing. In current situations, the load balancing algorithms should be very efficient in allocating the request. It also ensures the usage of the resources in an intelligent way so that underutilization or overutilization of the resources dose not occur in the Cloud environment. Since mathematical optimization algorithms often result in a formula or specific procedure for solving each problem, as well as most complex problems, it is necessary to evaluate a large number of possible states for determining an exact answer. Therefore, the time to find an accurate answer is often more than a lifetime. Meta heuristic algorithms are a new approach that includes algorithms that explicitly or implicitly manage the contrast between creating search variability and search intensification. One of the most important of these algorithms is the genetic algorithm.In this thesis, considering the advantages of meta heuristic algorithms over traditional algorithms, a soft computing based load balancing approach has been proposed of combination K-means and Genetic Algorithms that called GAK-means that make the better load balancing among of virtual machines and also improvement Makespan and Response time for tasks..The innovative load balancing strategy was simulated using the Net Beans toolkit Package.The Experiments results were the proposed algorithm and compare with Genetic algorithm(GA) and Particle Swarm Optimization algorithm(PSO)