ارائه مدلي براي توازن بار در رايانش ابري به كمك الگوريتم گرگ خاكستري بهبود يافته

Providing a Model for Load Balancing in Cloud Computing Using the Improved GWO Algorithm

توازن بار در رايانش ابري يكي از مسائل چالش برانگيز در حفظ كارايي مطلوب و تأمين كيفيت سرويس است. الگوريتم هاي بهينه-ساز متعددي براي حل اين مسأله مورد استفاده قرار گرفته اند. در اين مقاله، الگوريتمي تركيبي براي توازن بار در محيطي همگن در رايانش ابري پيشنهاد شده است. روش پيشنهادي، مدلي تركيبي از الگوريتم بهينه ساز گرگ خاكستري با تكنيك درخت تصميم است. درخت تصميم يكي از روش هايي است كه مي تواند در كنار الگوريتم هاي بهينه ساز قرارگرفته و در انتخاب حالت هاي بهينه كمك كند و يا باعث تسريع در اين عمل شود. در اين مقاله سه پارامتر زمان پاسخ كل، مدت زمان انجام وظايف و نرخ بهره برداري به عنوان توابع هدف در بهينه سازي بوده اند. روش پيشنهادي در محيط CloudSim، شبيه سازي شده و با الگوريتم گرگ خاكستري معمولي مقايسه گرديده است. نتايج مقايسه نشان‌دهنده ي ۸۳ درصد بهبود عملكرد در زمان پاسخ كل، 84 درصد در مدت زمان اتمام كار سرور و به طور ميانگين حدود 6 برابر بهبود در نرخ بهره برداري است.

Load balancing in cloud computing is one of the challenging issues in maintaining optimal performance and ensuring service quality. Several optimization algorithms have been used to solve this problem. In this article, a hybrid algorithm is proposed for load balancing in a homogeneous environment in cloud computing. The proposed method is a hybrid model of gray wolf optimization algorithm with decision tree technique. The decision tree is one of the methods that can be placed next to the optimization algorithms and help in choosing optimal modes or accelerate this process. In this article, the three parameters of the total response time, the duration of tasks and the utilization rate have been used as objective functions in optimization. The proposed method has been simulated in the CloudSim environment and compared with the normal gray wolf algorithm. The comparison results show 83% performance improvement in total response time, 84% in server completion time and an average of 6 times improvement in utilization rate.