الگوريتم ممتيك مبتني بر كلوني زنبور عسل براي مهاجرت و توازن بار در رايانش ابري

A memetic bee colony algorithm for migration and load balancing in cloud computing

در رايانش ابري راه اندازي چند ماشين مجازي بر روي يك سرويس دهنده فيزيكي بااستفاده از مجازي‌سازي امكان‌پذير است. اما اين ميزباني مشترك به خاطر وجود رقابت در تخصيص و بهره‌گيري از منابع، مي‌تواند كاهش عملكرد نرم افزار را در پي داشته باشد. يكي از رويكردهاي غلبه بر اين چالش، مهاجرت ماشين‌هاي مجازي است. در اين مقاله يك الگوريتم تركيبي براي حل اين مسأله پيشنهاد شده است. ابتدا تابع هزينه براي ميزان مجموع مصرف منابع، انرژي و پهناي باند محاسبه و كمينه‌سازي مي‌شود. سپس الگوريتم كلوني زنبور عسل، اطلاعات هر ماشين فيزيكي را براساس اين تابع هزينه محاسبه مي كند. سرانجام، الگوريتم ممتيك تعيين مي‌كند كه كدام ماشين مجازي از مبدأ فيزيكي مفروض به كدام مقصد فيزيكي مهاجرت كند. نتايج حاصل از اين الگوريتم پيشنهادي، در مقايسه با الگوريتم‌هاي PSO و HLBB به ترتيب داراي%7.84 و 25.27% كاهش زمان پاسخ و نيز 1.58% و 8.59% افزايش بهره‌‌وري است. بنابراين، بهره‌گيري از الگوريتم تركيبي پيشنهادي بهبود قابل ملاحظه‌اي در توازن بار براي محيط رايانش ابري فراهم مي‌سازد.

In cloud computing, it is possible to run multiple virtual machines on a physical server using virtualization. But this shared hosting can lead to a decrease in software performance due to competition in the allocation and use of resources. One of the approaches to overcome this challenge is the migration of virtual machines. In this article, a hybrid algorithm is proposed to solve this problem. First, the cost function for the total consumption of resources, energy and bandwidth is calculated and minimized. Then the bee colony algorithm calculates the information of each physical machine based on this cost function. Finally, the memetic algorithm determines which virtual machine to migrate from the assumed physical origin to which physical destination. The results of this proposed algorithm, compared to PSO and HLBB algorithms, have 7.84% and 25.27% reduction in response time and 1.58% and 8.59% increase in productivity, respectively. Therefore, using the proposed hybrid algorithm provides a significant improvement in load balancing for the cloud computing environment.