رفتار زنبور عسل الهام بخش توازن بار وظایف در محیط محاسبات ابری

قیمت: 41,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

رفتار زنبور عسل الهام بخش توازن بار وظایف در محیط محاسبات ابری

عنوان لاتین

Honey bee behavior inspired load balancing of tasks in cloud computing environments

برنامه ریزی وظایف در محاسبات ابری یک مشکل بهینه سازی NP-hard می‌باشد. تعادل بار از وظایف مستقل غیرقانونی در ماشین‌ های مجازی (VM) یک جنبه مهمی از برنامه ریزی وظیفه در ابرها است. هر زمان که ماشین‌ های مجازی خاص پربار هستند و ماشین‌ های مجازی باقیمانده با وظایفی برای پردازش بارگذاری می‌شوند، بار باید برای دستیابی به استفاده بهینه از ماشین، متعادل باشد. در این مقاله ما یک الگوریتم به نام رفتار متعادل کننده بار القاء شده زنبور عسل (HBB-LB) پیشنهاد می‌کنیم، که هدف آن دستیابی به توازن متعادل بین ماشین‌ های مجازی برای به حداکثر رساندن توان عملیاتی است. الگوریتم پیشنهادی همچنین اولویت‌های وظایف ماشین‌ها را به گونه ای تنظیم می‌کند که مقدار زمان انتظار وظایف در صف حداقل باشد. ما الگوریتم پیشنهادی را با الگوریتم‌های متعادل کننده بار و الگوریتم زمانبندی مقایسه کرده‌ایم. نتایج تجربی نشان می‌دهد که الگوریتم در مقایسه با الگوریتم‌های موجود موثر است. رویکرد ما نشان می‌دهد که بهبود قابل توجهی در زمان اجرا و کاهش زمان انتظار وظایف در صف وجود دارد.

Scheduling of tasks in cloud computing is an NP-hard optimization problem. Load balancing of nonpreemptive independent tasks on virtual machines (VMs) is an important aspect of task scheduling in clouds. Whenever certain VMs are overloaded and remaining VMs are under loaded with tasks for processing, the load has to be balanced to achieve optimal machine utilization. In this paper, we propose an algorithm named honey bee behavior inspired load balancing (HBB-LB), which aims to achieve well balanced load across virtual machines for maximizing the throughput. The proposed algorithm also balances the priorities of tasks on the machines in such a way that the amount of waiting time of the tasks in the queue is minimal. We have compared the proposed algorithm with existing load balancing and scheduling algorithms. The experimental results show that the algorithm is effective when compared with existing algorithms. Our approach illustrates that there is a significant improvement in average execution time and reduction in waiting time of tasks on queue.