الگوریتم زمانبندی وظیفه مبتنی بر ماشین مجازی در محیط محاسبات ابری

قیمت: 46,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

الگوریتم زمانبندی وظیفه مبتنی بر ماشین مجازی در محیط محاسبات ابری

عنوان لاتین

Virtual Machine-Based Task Scheduling Algorithm in a Cloud Computing Environment

فناوری مجازی سازی به طور گسترده برای مجازی سازی یک سرور بر چندین سرور استفاده شده است که نه تنها یک محیط عملیاتی را برای یک سکوی کاری محاسباتی ابر مبتنی بر ماشین مجازی ایجاد می کند، بلکه به طور بالقوه بهره وری آن را بهبود می بخشد. در حال حاضر، بیشتر الگوریتم های مبتنی بر زمانبندی وظیفه که در محیط های محاسبات ابری استفاده می شوند، در همگرایی کند هستند یا به آسانی در یک بهینه محلی گیر می کنند. این مقاله یک الگوریتم حریصانه مبتنی بر بهینه سازی گروهی ذرات (G&PSO) را برای حل مساله زمانبندی وظیفه ارائه می کند. این الگوریتم از یک الگوریتم حریصانه برای حل سریع یک الگوریتم بهینه سازی گروهی ذرات که از سکوی کاری ابر مبتنی بر ماشین مجازی حاصل می شود، استفاده می کند. نتایج آزمایشی حاصل نشان می دهند که الگوریتم، بهره وری بهتری را نظیر نرخ همگرایی سریعتر، قابلیت های جستجوی سراسری و محلی قوی تر و بار کاری متوازن تر بر هر ماشین مجازی ارائه می کند. بنابراین، الگوریتم G&PSO بهره وری ماشین مجازی را بهبود بخشیده و استفاده کارآمدتر از منبع را در مقایسه با الگوریتم بهینه سازی گروهی ذرات فراهم می سازد.

Virtualization technology has been widely used to virtualize single server into multiple servers, which not only creates an operating environment for a virtual machine-based cloud computing platform but also potentially improves its efficiency. Currently, most task scheduling-based algorithms used in cloud computing environments are slow to convergence or easily fall into a local optimum. This paper introduces a Greedy Particle Swarm Optimization (G&PSO) based algorithm to solve the task scheduling problem. It uses a greedy algorithm to quickly solve the initial particle value of a particle swarm optimization algorithm derived from a virtual machine-based cloud platform. The archived experimental results show that the algorithm exhibits better performance such as a faster convergence rate, stronger local and global search capabilities, and a more balanced workload on each virtual machine. Therefore, the G&PSO algorithm demonstrates improved virtual machine efficiency and resource utilization compared with the traditional particle swarm optimization algorithm.