يك رويكرد مبتني بر خوشه بندي و پيش بيني افق براي اجتناب از سربار در ادغام ماشين هاي مجازي

A clustering and horizon prediction approach for overload avoidance in virtual machine consolidation

با افزايش تعداد ماشين هاي مجازي در يك ميزبان و باركاري پوياي ماشين هاي مجازي در فرايند ادغام، بخاطر كمبود منابع، وقوع سربار در ميزبان ها اجتناب ناپذير است. جلوگيري از وقوع سربار با پيش بيني دقيق از ميزان درخواست منابع در ميزبان ها و كاهش به موقع تعداد ماشين هاي مجازي در ميزباني كه ممكن است سربار در آن رخ دهد، بهترين استراتژي است. ما براي تشخيص سربار، اطلاعات منابع مختلف مانند پردازنده، حافظه اصلي و پهناي باند را به پنجره هاي دو بخشي با طول مشخص تقسيم بندي و اين پنجره ها را بر اساس ميزان شباهت بخش اول آنها با روشK-Means خوشه بندي مي كنيم. پنجره نهايي آخرين اطلاعات ثبت شده از درخواست منابع است كه پيش بيني وقوع سربار بر اساس آن صورت مي گيرد. چارچوب پيشنهادي با قرار دادن پنجره نهايي در خوشه متناظر، از اطلاعات تمام پنجره هاي زماني مشابه به هم براي پيش بيني افق استفاده مي كند. الگوريتم پيشنهادي در اين چارچوب با استفاده از پيش بيني دقيق ، ضمن كاهش خطا در تشخيص وضعيت ميزبان امكان عكس العمل به موقع براي سربارهاي احتمالي آينده را فراهم مي كند. نتايج شبيه سازي با باركاري واقعي نشان داد روش پيشنهادي با پيش بيني به موقع سربار و عكس العمل به هنگام، ميزان جريمه هاي ناشي نقض توافق كيفيت سرويس (SLA) تا 39% درصد و تعداد مهاجرت ها را تا 32% نسبت به روش هاي شاخص كاهش مي دهد. بنابراين راهكار پيشنهادي مي تواند كيفيت سرويس را در مراكز داده ابري ارتقاء دهد.

Overload is inevitable in hosts due to the increasing number of virtual machines in a host and dynamic workload in the consolidation process in response to resource shortages. We divide information of different resources such as CPU, main memory, and bandwidth for overload detection to bisection windows with specialized lengths. Then their windows are clustered based on the similarity of their first section with the k-means algorithm. The final window includes the host logged information of resource demand based on which overload prediction occurred. The proposed framework uses information from similar time windows for horizon prediction by putting the final window in the corresponding cluster. The proposed algorithm in this framework provides an on-time reaction for possible future overloads based on accurate prediction besides error reduction in host status detection. The simulation results with real workload indicate that the proposed method reduces the penalties of service level agreement (SLA) to 39% and migration numbers to 32% in relation to benchmark methods based on time overload prediction and reaction. Therefore, the proposed approach could promote the QoS level in cloud datacenters.