توازن بار در محيط رايانش ابري با در نظر گرفتن وابستگي ميان وظايف و استفاده از الگوريتم ژنتيك تطبيقي

Load Balancing in Cloud Computing Environment by Considering the Dependency among Tasks and Using Adaptive Genetic Algorithm

گسترش روز افزون نيازهاي محاسباتي، اهميت استفاده از رايانش ابري را روز به روز بيشتر مي‌كند. رايانش ابري، يك مدل رايانشي بر مبناي شبكه‌هاي رايانه‌اي است كه الگويي تازه براي عرضه‌ي منابع را ارائه مي‌دهد، بگونه‌اي كه كاربران بر اساس نياز خود، منابع را درخواست نموده يا آن‌ها را آزاد مي‌سازند. هنگاميكه تقاضاها براي استفاده از منابع رايانشي افزايش مي‌يابند، توزيع مناسب آنها از اهميت بالايي برخوردار مي‌شود، چراكه اگر يك واحد پردازشي داراي حجم زيادي از وظايف، و واحدي ديگر تقريباً بيكار باشد، از منابع بخوبي استفاده نمي‌شود و همچنين زمان اتمام كل وظايف مي‌تواند بسيار افزايش بيابد. لذا براي غلبه بر اين مشكل، از تكنيك توازن بار استفاده مي‌شود. بطوركلي از ديد محاسباتي، به فرايند توزيع متعادل بار بر روي واحدهاي پردازشي، توازن‌بار گفته مي‌شود. در اكثر پژوهش‌هاي انجام‌شده در رابطه با توازن‌بار، تعاملات ميان وظايف در حال اجرا، در نظر گرفته نشده، لذا در صورتيكه وظايف در تعامل با يكديگر، در واحدهاي پردازشي مجزا، در يك شبكه توزيع‌شده قرار گرفته باشند، تعاملات ميان آن‌ها مي‌تواند در زمان اتمام كل وظايف، تاثيرگذار باشد. هدف از اين پژوهش، ارائه روشي است كه بتواند با در نظر گرفتن تعاملات ميان وظايف، به يك توازن‌بار مطلوب در شبكه دست يابد، بطوريكه زمان اتمام كل و زمان بيكاري ماشين‌ها به حداقل برسند. براي اين منظور، از الگوريتم ژنتيك استفاده مي‌شود. نتايج آزمايشي بدست‌آمده نشان مي‌دهند كه محلي‌كردن تعاملات، تاثير قابل توجهي در كاهش زمان اتمام كل خواهد داشت.

The increasing computing needs leads to an increase in the importance of using cloud computing day by day. Cloud computing is a computing model based on computer networks that presents a new pattern to supply resources, so that users request or release resources based on their needs. When the requests for computing resources increase, proper distribution of resources becomes very important, because if a computational unit has a large number of tasks and the other one is almost idle, resources are not used well and also makespan would be very high. Therefore, in order to overcome this problem, load balancing technique is used. In general, from the computing point of view, the process of distributing the loads on the processing units in a balanced way is called load balancing. In most researches, interactions between running tasks are not considered, so if the tasks in interaction with each other are located in separate processing units in a distributed network, the interactions between them would be effective on makespan. The aim of this research is to present an approach which can achieve a desirable load balancing in the network, such that the makespan and idle time of machines minimized, taking into account the interactions between the tasks. For this purpose, the genetic algorithm is used. The obtained experimental results show that localizing the interactions will have a significant impact in reducing the makespan.