بهبود مصرف انرژي مراكز داده ابري با استفاده از الگوريتم يادگيري عميق

Improving energy consumption of cloud data centers using deep learning algorithm

در طي چندين سال اخير، رايانش ابري به عنوان يك الگوي نو ظهور به شدت در زندگي روزمره در حال رشد مي باشد. با توجه به رشد روز افزون اين فن آوري مديريت منابع در زيرساخت به عنوان يك چالش مهم مطرح مي باشد. هدف از اين پژوهش؛ بهبود بخشيدن ميزان مصرف انرژي در مراكز داده ابري و بهبود تعداد مهاجرت ماشين مجازي و حفظ كيفيت سرويس بين سرور هاي فيزيكي در مراكز داده ابري با كمك يادگيري عميق مي باشد. اين مقاله يادگيري عميق را در جهت متعادل‌سازي بار كاري سرور ها و صرفه جويي در مصرف برق مراكز داده ها با مهاجرت هاي ماشين مجازي انجام مي دهد. روش پيشنهادي برروي ديتا ست استاندارد PLANET LAB U51799 بررسي و نتايج ارايه گرديد. نتايج نشان مي دهد مهاجرت با الگوريتم پيشنهادي از نظر مصرف انرژي،كاهش تعداد مهاجرت حدود 13 درصد نسبت به الگوريتم هاي مورد مقايسه بهبود يافته است.

During the last several years, cloud computing is growing rapidly as a new emerging paradigm in daily life. Due to the increasing growth of this technology, resource management in infrastructure is considered as an important challenge. The aim of this research; Improving the amount of energy consumption in cloud data centers and improving the number of virtual machine migrations and maintaining the quality of service between physical servers in cloud data centers with the help of deep learning .This paper explores deep learning to balance server workloads and save data center power consumption with virtual machine migrations The proposed method was investigated on the PLANETLAB standard data set and the results were presented. The results show that migration with the proposed algorithm has improved in terms of energy consumption, reducing the number of migrations by about 13% compared to the compared algorithms.