زمان‌بندي كاربردهاي جريان كاري علمي در محيط چندابري با استفاده از الگوريتم جستجوي فاخته

Scheduling of Scientific Workflow Applications in Multi-Cloud Environment Using Cuckoo Search Algorithm

محيط‌هاي چندابري شامل منابع متنوع قابل ملاحظه‌اي هستند كه هزينه‌هاي زمان‌بندي كاربردهاي جريان كاري در چنين محيط‌هايي مي‌تواند به طور چشم‌گيري كاهش يابد و همچنين محدوديت ارائه منابع توسط فراهم‌كنندگان تجاري ابر رفع شود. بر اين اساس، اين تحقيق به مسأله زمان‌بندي كاربردهاي جريان كاري علمي در محيط چندابري تحت قيد مهلت زماني با هدف كمينه‌سازي هزينه مي‌پردازد. در اين مقاله با به كارگيري الگوريتم جستجوي فاخته كه يكي از مشهورترين روش‌هاي جستجوي فراابتكاري مي‌باشد، الگوريتمي براي مسأله زمان‌بندي كاربردهاي جريان كاري در محيط چندابري ارائه شده است. الگوريتم فراابتكاري جستجوي فاخته قادر است در مدت زماني كوتاه فضاي جواب را جستجو نموده و جواب‌هايي را در همسايگي جواب بهينه سراسري بيابد كه به آن نزديك مي‌باشد. نتايج به دست آمده نشان مي‌دهند كه راهكار پيشنهادي اين تحقيق در مقايسه با ديگر راهكارهاي فراابتكاري در موارد كاهش هزينه كارايي بهتري داشته و همچنين جواب‌هاي به دست آمده از الگوريتم فراابتكاري پيشنهادي، در حد مطلوبي نزديك به جواب‌هاي بهينه سراسري به دست آمده از مدل رياضي است.

Multi-cloud environments consist of the considerable variety of resources where the cost of scheduling workflow applications can be significantly reduced in such environments and the resource limitationsimposed by commercial cloud providers can bealso overcome. Accordingly, this study addresses the scheduling of scientific workflowapplications in a multi-cloud environment under a deadline with the aim of minimizing costs. In this paper,an algorithm for scheduling of workflow applications in multi-cloud environment is presented using the cuckoo search algorithm which is one of the most popular meta-heuristic methods. The Cuckoo Search Algorithm is able to search the solution space in a short time and find solutions in the vicinity of the optimal global solution that is close to it. The results show that the proposed approach of this research has better performance in comparison with other meta- heuristic approach in terms of cost reduction. Moreover, the obtained solutions of the proposed meta- heuristic algorithm are in a desirable degree close to the global optimal solutions of mathematical model.