بهینه سازی تخصیص کار در مراکز داده توزیع شده جغرافیایی

قیمت: 47,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

بهینه سازی تخصیص کار در مراکز داده توزیع شده جغرافیایی

عنوان لاتین

Task Assignment Optimization in Geographically Distributed Data Centers

پیشرفت های اخیر در سیستم های توزیع جغرافیایی، پردازش داده های توزیع شده را امکان پذیر ساخته است. در بحث داده های توزیع شده، یک کار به کارهای کوچک تر تجزیه می شود. سپس این کارها در مراکز داده متعدد مستقر و به طور موازی اجرا می شوند. نتیجه ی رویکردهایی که هر کار را در یک مرکز داده مجزا پردازش می کنند، تاخیر زیاد و تجمیع بالای داده ها است؛ اما سیستم های ابری توزیع شده از نظر جغرافیایی یک پلتفرم بسیار قابل دسترس و مقرون به صرفه تر را فراهم می کنند. با این وجود، اجرای کار توزیع شده، هزینه بالا و تاخیر بیشتری را در بر دارد؛ چرا که داده ها باید بین مراکز داده تبادل شوند. به علاوه، وابستگی کار و محدودیت های مختلف کار، انتخاب یک راهبرد تخصیص کار مناسب را چالش برانگیزتر می کند. در این مقاله، ما در مورد مشکل تخصیص کار در سیستم های ابری توزیع شده جغرافیایی بحث می کنیم. با توجه به تقاضا از پردازش و ذخیره کلان داده، ما کارهای حساس نسبت به داده که در آن یک کار معمولا مستلزم منابع محاسباتی قابل توجه است و داده های ورودی در مراکز داده متعدد قرار گرفته اند را مد نظر قرار می دهیم. با درنظر گرفتن ورودی توزیع شده، وابستگی کار، طرح قیمت گذاری ناهمگن، و محدودیت منابع؛ هدف ما بهینه سازی عملکرد حین استقرار کارها در مراکز داده توزیع شده جغرافیایی است. یک الگوریتم هیوریستکی ارائه می شود تا راه حلی مناسب در مساله NP-hard پیشنهادی ارائه دهد. ما یک مطالعه شبیه سازی گسترده را برای ارزیابی عملکرد راه حل خود تحت شرایط مختلف انجام می دهیم. نتایج شبیه سازی نشان می دهد که رویکرد ما می تواند از بروزترین راهبردها بهتر عمل کند و هزینه و تاخیر به طرز قابل توجهی کاهش یابد.

Recent advance in geo-distributed systems has made distributed data processing possible, where tasks are decomposed into subtasks, deployed into multiple data centers and run in parallel. Compared to conventional approaches that process every task in a single datacenter resulting in high latency and large data aggregation, the geo-distributed cloud systems provide a highly available and more economic platform. However, distributed application (task) execution introduces extra cost and latency as data need to be exchanged between data centers. In addition, task dependency and diverse task constraints make it even more challenging to choose an appropriate task assignment strategy. In this paper, we discuss a task assignment problem in geographically distributed cloud systems. In light of growing demand from big data processing and storage, we consider data intensive tasks where a task often requires significant computing resources and its input data typically located in multiple data centers. By taking the distributed input, task dependency, heterogeneous pricing scheme, and resource constraints into account, we aim to optimize the performance when deploying tasks in geo-graphically distributed data centers. A heuristic algorithm is presented to provide an approximate solution to the proposed NP-hard problem. We perform an extensive simulation study to evaluate the performance of our solution under various settings. The simulation results demonstrate that our approach can outperform the state-of-the-art strategies, and achieve significant reduction in cost and latency.