بهبود كارايي تركيب ماشين هاي مجازي با استفاده از مدل زنجيره ماركوف در محيط پردازش ابري

Improving the efficiency of the combination of virtual machines using the Markov chain model in the cloud computing environment

امروزه رايانش ابري يكي از تكنولوژي هاي مهم در حال پيشرفت است و تمايل براي استفاده از اين تكنولوژي بسيار بالا است. ازجمله مهم ترين چالش هاي اين تكنولوژي مصرف بالا انرژي مي باشد كه هزينه زيادي براي ارائه دهندگان اين تكولوژي به همراه دارد. راهكاري كه براي كاهش مصرف انرژي وجود دارد ادغام ميزبان ها در مراكز داده ابري است. در اين پژوهش با استفاده از مدل زنجيره ماركوف و پيش بيني بار كاري ميزبان ها براساس ميزان مصرف پردازنده مركزي و حافظه اصلي در تلاش هستيم تا به كمتر شدن نقض توافقنامه سطح خدمات بپردازيم. از طرفي در نظر داريم با ارائه يك معيار جديد به نام دانه بندي و استفاده از آن در كنار ساير معيار هايي كه قبلا توسط پژوهشگران ديگر مورد استفاده قرار گرفته است، بتوانيم با تشخيص بهتر ميزبان هاي كم بار و مهاجرت دادن ماشين مجازي هاي آنها و سپس خاموش كردن اين ميزبان ها به كمتر شدن مصرف انرژي نيز كمك كنيم.

Nowadays, cloud computing is one of the significant emerging technologies, and the inclination to use this technology is very high. One of the most important challenges of this technology is high energy consumption, which incurs substantial costs for the providers of this technology. A solution for reducing energy consumption is the consolidation of hosts in cloud data centers. In this research, using the Markov chain model and workload prediction of hosts based on CPU and main memory usage, we aim to reduce the violation of service level agreements. Additionally, we intend to introduce a new metric called granularity and use it alongside other metrics previously utilized by other researchers. By better identifying underloaded hosts, migrating their virtual machines, and subsequently shutting down these hosts, we hope to contribute to the reduction of energy consumption.