الگوريتم تركيبي مبتني بر معماري گوسيپ با استفاده از SVM براي زمانبندي وظايف در رايانش ابري

A hybrid algorithm based-on Gossip architecture by using SVM for reliability in cloud computing

در حال حاضر رايانش ابري با توجه به كاربردهاي وسيع و فراگير از اهميت زيادي برخوردار است. گستردگي و انعطاف‌پذيري قابل توجه رايانش ابري در كنار ساير محاسن، باعث شده است تا زمينه ايجاد چالش‌هاي جديد از جمله قابليت اطمينان فراهم گردد. اين نوع از چالش‌ها بدليل وجود كاربران زياد، در ميان پژوهشگران اين حيطه از اهميت بيشتري برخوردار است. براي حل اين مسئله در سال‌هاي اخير محققان زيادي به ارائه انواع الگوريتم‌هاي تحمل‌پذيري خطا در رايانش ابري پرداخته‌اند؛ اما عليرغم تلاش‌هاي فراوان، متاسفانه مشكلات موجود در اين زمينه بصورت كامل برطرف نشده است. هدف اين مقاله ارائه يك الگوريتم تركيبي كارآمد و جديد با بهره‌گيري از خواص ماشين بردار پشتيبان و پروتكل گوسيپ است؛ بايد توجه داشت كه الگوريتم ماشين بردار پشتيبان براي تجزيه و تحليل داده‌هاي ماشين‌هاي مجازي و دسته‌بندي آنها براساس الگوهاي رفتاري عمل مي‌كند. همچنين، پروتكل گوسيپ براي جمع‌آوري داده‌ها و نظارت بر هر دسته استفاده شده است. در اين مدل پيشنهادي سه فاكتور زمان پردازش، ميزان بار و قابليت اطمينان به منظور دستيابي به كيفيت سرويس بهتر مورد ارزيابي قرار مي‌گيرد. نتايج شبيه‌سازي انجام گرفته در كلودسيم نشان مي‌دهد كه روش پيشنهادي مي‌تواند متوسط سرعت پردازش را به ميزان 65/0 افزايش و به تناسب آن متوسط طول زمانبندي را 22/7 ثانيه كاهش دهد.

Abstract: Nowadays, Cloud computing is very important due to its widespread use. Significant cloud computing expansively and flexibility, along with other benefits cause to be a background of creating reliability challenges and this kind of challenge is felt more because of the numerous users. To solve this challenge in recent years, many researchers have provided a variety of fault tolerance algorithms to deal with and fix faults in cloud computing, but despite many efforts, unfortunately, it has not been able to solve all the problems. The purpose of this paper is to present an efficient and new hybrid combination using special SVM; at first with using SVM virtual machines are separated and categorized based on their behavior patterns, and then using the Gossip Protocol, the operation of the case for each group and cluster is based on behavioral patterns and in order to achieve QOS it is better to predict. Conclusion of performed simulation in Cloudsim shows that recommended method increases processing speed around 0.65, and makespan is reduced at 7.22s by new method than similarity methods.