ارائه روشي نوين بهبود توازن بار با كمك الگوريتم بهينه سازي توده ذرات در رايانش ابري

Propose a novel approach for improving load balancing with the aid of Particle Swarm Optimization Algorithm in cloud computing

تعادل بار، يكي از مهمترين كارهايي است كه در سيستمهاي توزيع شده نظير محيط ابر انجام مي‌شود. بر همين مبنا اتخاذ روشي مناسب در توزيع بار مي تواند امري مهم تلقي شود. كاهش زمان اجرا و هزينه اجرا از معيارهاي مهم زمانبندي از ديد سود و منفعت كاربر است كه همواره در تمامي روش‌هاي پيشنهادي براي زمانبندي ابر مورد توجه قرار مي‌گيرد. تعادل بار نيز معياري است كه براي اعمال سود و منفعت فراهم‌كننده ابر بايد در نظر گرفته شود. در تحقيق، يك روش جديد براي حفظ تعادل بار سيستم بر پايه الگوريتم بهينه سازي توده ذرات ارائه شده است كه تعادل بار را در هنگام تخصيص كارهاي وارد شده به سيستم و منابع برقرار مي كند و درخواست‌هاي ارسالي از طرف كاربران را با در نظر گرفتن معيارهايي همچون هزينه اجرا، زمان اجرا و ضريب عدم تعادل به مناسب ترين منبع تخصيص مي‌دهد. هدف اصلي روش پيشنهادي اختصاص دادن درخواست‌هاي ارسالي به منابع با حفظ تعادل بار با در نظر گرفتن توان محاسباتي منابع و همچنين طول كار درخواستي مي‌باشد. روش پيشنهادي با شبيه ساز كلودسيم ارزيابي شده است و نتايج با نتايج روش‌هاي ديگر توازان بار در ابر تحت شرايط يكسان مقايسه شده است. نتايج نشان مي‌دهد كه روش پيشنهادي براي معيارهاي مدت زمان اجراي كار و هزينه اجراي كارها 16% بيش از روش ذوب فلزات و 10.3% بيش از روش فازي بهبود داشته است و براي معيار ضريب عدم تعادل 31% بيش از روش ذوب فلزات و 29% بيش از روش فازي بهبود داشته است.

Load balancing is one of the most important tasks which is done is distributed systems such as cloud environment. On the same basis, adopting a proper approach in load balancing can be an important issue. Resource providers and resource users have different goals. Reducing Makeapsn and execution cost is the goals of scheduling based on used profit and improving load balancing is the goal of scheduling based on provider profit. End users and the owner of the cloud pursue different goals. In this paper, we present a novel hybrid scheduling approach based on PSO, which considers load balancing and assigns user jobs to cloud resources taking into consideration makespan, execution cost and Degree of imbalanced (DI). The major goal of the presented approach is to assign the jobs to the resources with taking into account the resources capacities, and length of the jobs. The proposed approach is evaluated in Cloudsim simulator and the results are compared with other cloud schedules approaches in same situation. The results demonstrate that the proposed approach can improve the performance of load balancing in terms of “total execution time”, “execution cost” and “Degree of imbalanced”. Our scheme for makespan and cost criteria, has 16% more efficiency than SA method, and has 10.3% more efficiency more than fuzzy method. And for Degree of imbalance, our scheme, has 31% more efficiency than SA method, and has 29% more efficiency more than fuzzy method.