الگوريتم توازن‌بار مبتني بر پيش‌بيني ELM در محاسبات ابري

از آنجا كه تقاضاي كاربران و رفتار سيستم از نظر تخصيص منابع، پويا و متغير با زمان است، بار كاري به شكل متوازن روي منابع ابر توزيع نمي‌شود. طراحي مكانيزم‌هاي مناسب جهت تشخيص وضعيت و توزين مناسب بار روي هر ميزبان مي‌تواند نقش موثري در بهبود كارايي سيستم و مصرف انرژي در مراكز داده‌ ابر داشته باشد. روش‌هاي توازن بار ارائه شده به صورت واكنشي از ورود سيستم به حالت عدم توازن جلوگيري نكرده و متناسب با شرايط ايجاد شده دست به مهاجرت ماشين مجازي(VM) مي‌زنند. در اين روش‌ها، با ورود سيستم به حالت عدم توازن، انرژي مصرفي و همچنين زمان پاسخ كارها افزايش مي‌يابد. همچنين در روش‌هاي توازن‌بار پيش‌دستانه، عدم دقت كافي براي تشخيص وضعيت ميزبان‌ها، استفاده از آستانه‌هاي ثابت و همچنين مهاجرت ماشين‌هاي مجازي به ميزبان‌ها، بدون در نظر گرفتن وضعيت كنوني و آينده آنها، احتمال پربار شدن ميزبان‌ها و افزايش انرژي مصرفي در مراكز داده را بالا مي‌برد. از اين رو، روش پيشنهادي اين مقاله، بكارگيري يك رويكرد پيش‌د‌ستانه با هدف تشخيص زودهنگام وضعيت ميزبان‌ها است كه مقدار مصرف پردازنده هر ميزبان در آينده، توسط روش ماشين يادگيري افراطي (ELM) پيش‌بيني مي شود و با استفاده از سه آستانه تطبيقي وضعيت آتي ميزبان‌ها مشخص مي‌شود، سپس ماشين‌هاي مجازي از ميزبان‌هاي پربار و درصورت نياز ميزبان‌هاي كم بار به آن دسته از ميزبان‌هايي انتقال پيدا مي‌كنند كه احتمال پربار شدن آنها بعد از تخصيص كمينه باشد. پياده‌سازي روش پيشنهادي و ارزيابي آن روي مجموعه داده واقعي با استفاده از شبيه ساز Cloudsim نشان داده است كه روش پيشنهادي در مقايسه با روش پيش‌دستانه و واكنشي رقيب، در انرژي مصرفي، زمان پاسخ، تعداد مهاجرت‌هاي ماشين مجازي و عدم نقض توافقنامه سطح سرويس (SLA) بهبود ايجاد كرده است.