جایابی ماشین های مجازی در سیستم های ابری با استفاده از قابلیتهای ماشین یادگیر

1. جایابی ماشین های مجازی در سیستم های ابری با استفاده از قابلیتهای ماشین یادگیر نیره رسولی1 ، محمدرضا میبدی، 2 حسین مرشدلو3 1دانشكده مهندسي برق، رايانه و فناوري اطلاعات ، دانشگاه آزاد اسلامی قزوینn.rasouli@qiau.ac.ir 2و3دانشكده مهندسي كامپيوتر و فناوري اطلاعات، دانشگاه صنعتي اميركبير{mmeybody ,morshedlou}@aut.ac.ir چکیده (الف) هر اتوماتا يک گره فيزيکي در مراکز داده ابر است که يادگيري آن پذيرش و يا عدم پذيرش ماشين مجازي از گره مبدا به گره مقصد است. هر اتوماتاي يادگير دو عمل دارد که در يک زمان فقط يکي از آن دو عمل فعال است. با توجه به ميزان استفاده از پردازنده چند وضعیت تعريف کرده ايم. از ديد رياضي، هر کدام از اين وضعیت ها معادل با يک حالت در یک زنجيره مارکوف [3] مي‌باشد. (ب) براي يادگيري يک پارامتر، از اتوماتاي يادگير با مجموعه اعمال پيوسته بهره گرفته ایم و با کمک اين اتوماتا احتمال یافتن یک میزبان گیرنده براي تمامي ماشينهاي مجازي مستقر بر روي يک ميزبان کم کار را تخمين مي زنيم. با توجه به اينکه مهاجرت یک پروسه هزینه بر میباشد کاهش تعداد مهاجرتها در کنار خاموش کردن گرههای فیزیکی بیشتر باعث گردیده است تا روش پیشنهادی از عملکرد بهتر و بسیار مناسبی نسبت به دیگر روشهای موجود برخوردار باشد. اين نتایج در نمودار 1 نشان داده شده است. نمودار1 مقایسه رویکردها از جهت تعداد مهاجرت و میزبان های خاموش در سال های اخیر، زیرساختهایفناوری اطلاعات بدلیل وجود تقاضا برای توان محاسباتی مورد نیاز برنامههای کاربردی به سرعت در حال رشد هستند و مراکز داده پیشرفته در محاسبات ابر ميزبان انواع مختلفی از برنامه های کاربردی میباشند. هزينه های بالای انرژی و همچنين مساله گاز های گلخانه ای حاصل از اين مراکز داده بزرگ یکی از مسائل با اهمیت در طراحی و ساخت این مراکز میباشد. به همين دليل ارائه روشهايی کارامد برای کاهش مصرف انرژی توسط اين مراکز داده بسيار مورد توجه محققان می باشد. در اين مقاله سعی گردیده است تا با استفاده از قابلیتهای اتوماتای يادگير روشي جدید برای تخصيص پويای ماشين های مجازی در اين مراکز داده، جهت کاهش ميزان مصرف انرژی ارائه گردد. در این روش از ایده مهاجرت پويای ماشينهای مجازی و همچنین خاموش کردن گرههای غير فعال بهره گرفته شده است. برای ارزيابی روش پيشنهادی نیز از بارکاری مختلف در دنيای واقعي استفاده گرديده است. نتايج حاصل از شبيه‌سازي ها نشان دهنده كارايي بالای روش پيشنهادی مي‌باشد که به میزان قابل ملاحظهاي مصرف انرژی را کاهش داده است. این در حالی است که کارايي سيستم تا حد قابل ملاحظه ای حفظ شده است. ارزیابی در پروسه شبيه‌سازي از شبیهساز CloudSim [3] بهره گرفته شده است. برای داشتن یک ارزیابی مناسب، در شبیه سازیهای صورت گرفته از بار کاری یک سیستم واقعی استفاده گردیده است. داده های مربوط به این بارکاری از پروژه کومون]4[ که زیرساختی برای نظارت بر پلنتلب میباشد، گرفته شده است. مرکز داده شبیه -سازی شده در این مقاله دارای 800 گره فیزیکی ناهمگن میباشد و سرویسدهی به درخواستهای کاربر(ان) نیازمند آن است که تعداد 1059 ماشین مجازی ناهمگن ایجاد گردیده و بر روی ماشینهای مختلف موجود قرار داده شوند. دو سیاست جهت انتخاب ماشین مجازی برای مهاجرت [1]، که از آنها برای انتخاب ماشينمجازی از روی ميزبانهای فرستنده در وضعيتهای استفاده ميانگين و استفاده بيش از حد استفاده کرده ایم، به شرح زير هستند: (1) به حداقل رساندن مهاجرت(MM) : مهاجرت حداقل تعداد ماشین های مجازی، برای به حداقل رساندن سربار مهاجرت؛ (2) انتخاب تصادفی(RC) : مهاجرت تعداد لازم از ماشین های مجازی، که آنها را بر اساس یک متغیر تصادفی با توزیع یکنواخت بسته بندی شدهاند. روش پیشنهادی در اين مقاله را با رويکردهای جایابی ماشینهای مجازی با هم مقايسه کردهایم. پيادهسازی رويکردها را برای پاسخگویی بهتر و انتخاب ماشين مجازیي که مهاجرت آن مناسب و سربار کمتری داشته باشد با دو سياست انتخاب ماشين مجازی که شرح داديم، ترکيب نمودهايم. الف) سياست DVFS، که ولتاژ و فرکانس پردازنده را با توجه به استفاده فعلی از آن تنظیم می کند. این رویکرد هيچ اقتباسياز تخصيص ماشين مجازي را در زمان اجرا اعمال نمي کند. ب) سياست حدآستانه تنها(ST)، استفاده از پردازنده را در زیر حدآستانه استفاده که یک مقداری ثابت است حفظ مینماید. پ) سیاست میان چارکی(IQR)، حدآستانه استفاده آن یک مقدار تطبيقي است. نتايج حاصل از شبیه سازیها در جدول زیر نشان داده شده است. با توجه به این نتایج روش پیشنهادی در مقایسه با سیاستهای ديگر کاهش قابل توجهی درمیزان مصرف انرژی داشته و با توجه به اينکه کاهش مصرف انرژي را بايد با پرداخت هزينه نقض توافق نامه سطح سرويس پرداخت ، نقض توافق نامه روش پيشنهادي نسبت به سیاستهای ديگر بیشتر است اما مي توان در سيستم هايي که مساله توافق نامه سطح سرويس بسيار حياتي نيست از اين روش بهره برد. مقدمه مراکز داده پیشرفته مورد استفاده در محاسبات ابری ميزبان انواع مختلفی از برنامه های کاربردی هستند. این برنامه ها ممکن است تنها برای چند ثانيه و یا برای دوره های طولانی تر از زمان، در مراکز داده اجرا شوند.در گذشته کارایی بالا بعنوان اصلی ترین معیار در طراحی مراکز داده مورد توجه بوده است و میزان مصرف انرژی این مراکز از اهمیت چندانی برخوردار نبوده است. اما امروزه با توجه به اهمیت منابع انرژی در سطح جهان میزان مصرف انرژی نیز بعنوان یکی از معیارهای مهم مورد توجه قرار گرفته است. مراکز داده موجود به طور متوسط ​​مصرف انرژیی معادل با 25000 خانوار دارند]1[ و علاوه بر هزینه های عملیاتی فوق، مصرف بالای انرژی منجر به افزایش دما و کاهش قابلیت اطمینان و طول عمر منابع سخت افزاری خواهد شد. این مساله بدلیل تولید میزان قابل ملاحظهCO2که منجر به تولید گازهای گلخانه ای می شود از جنبه زیست محیطی نیز مورد توجه قرار گرفته است]2[. مصرف انرژی توسط یک گره محاسباتی در مراکز داده شامل مصرف توسط پردازنده، منابع ذخیره -سازی و تجهیزات شبکه می باشد. در مقایسه با سایر منابع سیستم، پردازنده مقدار بیشتری از انرژی را مصرف می کند]1[. در اين مقاله روشي جدید مبتنی بر اتوماتای يادگير برای تخصيص پويای ماشين های مجازی در اين مراکز داده، جهت کاهش ميزان مصرف انرژی ارائه گرديده است که در آن از مهاجرت پويای ماشينهای مجازی و خاموش کردن گره های غير فعال بهره گرفته شده است.روش پيشنهادي بر خلاف الگوریتمهاي قبلي از راهکارهاي مکاشفه‌اي استفاده نمي‌کند؛ بلکه سعي مي‌کند با استفاده از قابلیتهای اتوماتاي يادگير، عمل جايابي ماشين مجازي را انجام دهد. روش پیشنهادی در شرایط زیرساختها و ماشینهای مجازی ناهمگن به طور موثر عمل می کند و نياز به هیچ دانشی درمورد برنامههای کاربردی که روی ماشینهای مجازی اجرا می- شوند، ندارد. نتیجه در این مقاله برای جایابی ماشینهای مجازی در مراکز داده روشی مبتنی بر آتوماتای یادگیر ارائه گردید که با بهره گیری از مهاجرت پویا و خاموش کردن گرههای خالی شده توانسته است میزان قابل ملاحظه ای از مصرف انرژی را کاهش دهد و بدین گونه در کنار حفظ کیفیت سرویس سبب کاهش تولید گرما و گازهای گلخانه ای گردد. روش پیشنهادی در سيستم های ناهمگن از قابلیتهای بالایی برخوردار بوده و با توجه به ماهيت تصادفي در دسترس بودن گرههای فيزيکي در بستر ابر و به منظور دستيابي به ويژگيهای توزيعشدگی، محلي بودن ارتباطات، دارا بودن يادگيري توزيع شدهمي تواند مناسب و راه گشا باشد. مراجع   [1] R. Buyya, A Beloglazov “ Energy-Efficient Management of Data Center Resources for Cloud Computing: A Vision, Architectural Elements, and Open Challenges“July 12-15, 2010. [2] A.Beloglazov, R.Buyya, ”Energy Efficient Resource Management in Virtualized Cloud Data Centers“ 10th IEEE/ACM International Conference, 2010. [3]  R. Buyya, R.Ranjan, R. N. Calheiros. “Modeling and Simulation of Scalable Cloud Computing Environments and the CloudSim Toolkit: Challenges and Opportunities”. pp.1-8, 2008 [4] Park KS, Pai VS. CoMon: a mostly-scalable monitoring system for PlanetLab. ACM SIGOPS Operating Systems Review 2006; 40(1):74. روش يكي از ابزارهای يادگيري تقويتي، اتوماتاي يادگير تصادفي است كه در اين مقاله از آن در راستای يادگيري استفاده شده است. اتوماتای یادگیر در رویکرد ارائه شده در دو بخش مختلف مورد استفاده قرار گرفته است: الف) بعنوان مولفه ای از شبکه اي از آتوماتاهاي يادگير با تعداد متناهی از اعمال که در آن هر اتوماتا مستقل از ديگران تصميم گيري مي کند. ب) برای يادگیری مقدار بهینه یک پارامتر پیوسته که در آن از نوع خاصی از اتوماتای یادگیر که مجموعه اعمال آن را یک بازه پیوسته تشکیل می دهد.