Балансировка загруженности облачных вычислений на основе улучшенного алгоритма поведения пчелиной колонии
Ключевые слова:
оптимизация, параметры качества обслуживания, облачные вычисления, балансировка нагрузки, фаззификацияАннотация
На данный момент применение основанного на явлениях в природе алгоритма балансировки нагрузки задач на виртуальных машинах представляет большой исследовательский интерес. Для балансировки нагрузки с максимальной пропускной способностью была введена балансировка нагрузки на основе поведения медоносных пчел в колонии — Honey Bee Behavior Based Load Balancing (HBB-LB). Этот подход также устанавливает приоритеты выполнения задач на виртуальной машине с целью минимизации времени ожидания задач. Однако он рассматривает только один параметр — нагрузку виртуальных машин, что может оказаться недостаточно эффективным для балансировки. В работе предлагается улучшенный подход к балансировке нагрузки на основе пчелиного поведения, в котором дополнительно учитываются такие параметры качества обслуживания (QoS) виртуальных машин, как время отклика службы, доступность, надежность, стоимость и пропускная способность для улучшения балансировки нагрузки. Время отклика является критически важным для определения мгновенной активности виртуальной машины, доступность определяет доступный ресурс и состояние виртуальной машины (пассивное или активное), а надежность определяет уровень доверия к виртуальной машине. Затраты на использование виртуальной машины и пропускная способность виртуальных машин также необходимы для определения их эффективности. Однако включение нескольких параметров качества обслуживания приводит к многоцелевой оптимизации. По мере вычисления нескольких параметров фаззификация значений качества обслуживания выполнялась с помощью генерируемых нечетких правил, и была устранена проблема многоцелевой оптимизации. Эксперименты проводились с точки зрения времени разрешения задач, времени отклика, степени дисбаланса и количества перенесенных задач, а результаты показывают, что балансировка нагрузки на основе пчелиного поведения обеспечивает лучший уровень производительности.Литература
1. Mosleh M.A., Radhamani G., Hazber M.A., Hasan S.H. Adaptive Cost-Based Task Scheduling in Cloud Environment // Scientific Programming. 2016. 9 p.
2. Mondal B., Dasgupta K., Dutta P. Load balancing in cloud computing using stochastic hill climbing-a soft computing approach // Procedia Technology. 2012. vol. 4. pp. 783–789.
3. Boone B. et al. SALSA: QoS-aware load balancing for autonomous service brokering // Journal of Systems and Software. 2010. vol. 83. no. 3. pp.446–456.
4. Dasgupta K. et al. A genetic algorithm (ga) based load balancing strategy for cloud computing // Procedia Technology. 2013. vol. 10. pp. 340–347.
5. Keskinturk T., Yildirim M.B., Barut M. An ant colony optimization algorithm for load balancing in parallel machines with sequence-dependent setup times // Computers & Operations Research. 2012. vol. 39. no. 6. pp. 1225–1235.
6. Niknam T. et al. A modified honey bee mating optimization algorithm for multiobjective placement of renewable energy resources // Applied Energy. 2011. vol. 88. no. 12. pp. 4817–4830.
7. Dhinesh Babu L.D., Venkata Krishna P. Honey bee behavior inspired load balancing of tasks in cloud computing environments // Applied Soft Computing. 2013. vol. 13. no. 5. pp. 2292–2303.
8. Mohamed N., Al-Jaroodi J., Eid A. A dual-direction technique for fast file downloads with dynamic load balancing in the cloud // Journal of Network and Computer Applications. 2013. vol. 36. no. 4. pp. 1116–1130.
9. Zhao J. et al. A heuristic clustering-based task deployment approach for load balancing using Bayes theorem in cloud environment // IEEE Transactions on Parallel and Distributed Systems. 2016. vol. 27. no. 2. pp. 305–316.
10. Cho K.M., Tsai P.W., Tsai C.W., Yang C.S. A hybrid meta-heuristic algorithm for VM scheduling with load balancing in cloud computing // Neural Computing and Applications. 2015. vol. 26. no. 6.pp. 1297–309.
11. Xu G., Pang J., Fu X. A load balancing model based on cloud partitioning for the public cloud // Tsinghua Science and Technology. 2013. vol. 18. no. 1. pp. 34–39.
12. Xu Q. et al. Adaptive and scalable load balancing for metadata server cluster in cloud-scale file systems // Frontiers of Computer Science. 2015. vol. 9. no. 6. pp. 904–918.
13. Gutierrez-Garcia J.O., Ramirez-Nafarrate A. Agent-based load balancing in cloud data centers // Cluster Computing. 2015. vol. 18. no. 3. pp. 1041–1062.
14. Singh A., Juneja D., Malhotra M. Autonomous agent based load balancing algorithm in cloud computing // Procedia Computer Science. 2015. vol. 45. pp. 832–841.
15. Siar H., Kiani K., Chronopoulos A.T. An effective game theoretic static load balancing applied to distributed computing // Cluster Computing. 2015. vol. 18. no. 4. pp. 1609–1623.
16. Chen S.L., Chen Y.Y., Kuo S.H. CLB: A novel load balancing architecture and algorithm for cloud services // Computers & Electrical Engineering. 2017. vol. 58. pp. 154–160.
17. Liu Y., Zhang C., Li B., Niu J. DeMS: A hybrid scheme of task scheduling and load balancing in computing clusters // Journal of Network and Computer Applications. 2017. vol. 83. pp. 213–220.
18. Paya A., Marinescu D.C. Energy-aware load balancing and application scaling for the cloud ecosystem // IEEE Transactions on Cloud Computing. 2017. vol. 5. no. 1. pp. 15–27.
19. Wang Z. et al. Workload balancing and adaptive resource management for the swift storage system on cloud // Future Generation Computer Systems. 2015. vol. 51. pp. 120–131.
20. Randles M., Lamb D., Taleb-Bendiab A. Experiments with Honeybee Foraging Inspired Load Balancing // Proceedings of IEEE Second International Conference on Developments in E-Systems Engineering (DESE). 2009. pp. 240–247.
21. Pan J.S., Wang H., Zhao H., Tang L. Interaction artificial bee colony based load balance method in cloud computing // Proceedings of Genetic and Evolutionary Computing. 2015. pp. 49–57.
2. Mondal B., Dasgupta K., Dutta P. Load balancing in cloud computing using stochastic hill climbing-a soft computing approach // Procedia Technology. 2012. vol. 4. pp. 783–789.
3. Boone B. et al. SALSA: QoS-aware load balancing for autonomous service brokering // Journal of Systems and Software. 2010. vol. 83. no. 3. pp.446–456.
4. Dasgupta K. et al. A genetic algorithm (ga) based load balancing strategy for cloud computing // Procedia Technology. 2013. vol. 10. pp. 340–347.
5. Keskinturk T., Yildirim M.B., Barut M. An ant colony optimization algorithm for load balancing in parallel machines with sequence-dependent setup times // Computers & Operations Research. 2012. vol. 39. no. 6. pp. 1225–1235.
6. Niknam T. et al. A modified honey bee mating optimization algorithm for multiobjective placement of renewable energy resources // Applied Energy. 2011. vol. 88. no. 12. pp. 4817–4830.
7. Dhinesh Babu L.D., Venkata Krishna P. Honey bee behavior inspired load balancing of tasks in cloud computing environments // Applied Soft Computing. 2013. vol. 13. no. 5. pp. 2292–2303.
8. Mohamed N., Al-Jaroodi J., Eid A. A dual-direction technique for fast file downloads with dynamic load balancing in the cloud // Journal of Network and Computer Applications. 2013. vol. 36. no. 4. pp. 1116–1130.
9. Zhao J. et al. A heuristic clustering-based task deployment approach for load balancing using Bayes theorem in cloud environment // IEEE Transactions on Parallel and Distributed Systems. 2016. vol. 27. no. 2. pp. 305–316.
10. Cho K.M., Tsai P.W., Tsai C.W., Yang C.S. A hybrid meta-heuristic algorithm for VM scheduling with load balancing in cloud computing // Neural Computing and Applications. 2015. vol. 26. no. 6.pp. 1297–309.
11. Xu G., Pang J., Fu X. A load balancing model based on cloud partitioning for the public cloud // Tsinghua Science and Technology. 2013. vol. 18. no. 1. pp. 34–39.
12. Xu Q. et al. Adaptive and scalable load balancing for metadata server cluster in cloud-scale file systems // Frontiers of Computer Science. 2015. vol. 9. no. 6. pp. 904–918.
13. Gutierrez-Garcia J.O., Ramirez-Nafarrate A. Agent-based load balancing in cloud data centers // Cluster Computing. 2015. vol. 18. no. 3. pp. 1041–1062.
14. Singh A., Juneja D., Malhotra M. Autonomous agent based load balancing algorithm in cloud computing // Procedia Computer Science. 2015. vol. 45. pp. 832–841.
15. Siar H., Kiani K., Chronopoulos A.T. An effective game theoretic static load balancing applied to distributed computing // Cluster Computing. 2015. vol. 18. no. 4. pp. 1609–1623.
16. Chen S.L., Chen Y.Y., Kuo S.H. CLB: A novel load balancing architecture and algorithm for cloud services // Computers & Electrical Engineering. 2017. vol. 58. pp. 154–160.
17. Liu Y., Zhang C., Li B., Niu J. DeMS: A hybrid scheme of task scheduling and load balancing in computing clusters // Journal of Network and Computer Applications. 2017. vol. 83. pp. 213–220.
18. Paya A., Marinescu D.C. Energy-aware load balancing and application scaling for the cloud ecosystem // IEEE Transactions on Cloud Computing. 2017. vol. 5. no. 1. pp. 15–27.
19. Wang Z. et al. Workload balancing and adaptive resource management for the swift storage system on cloud // Future Generation Computer Systems. 2015. vol. 51. pp. 120–131.
20. Randles M., Lamb D., Taleb-Bendiab A. Experiments with Honeybee Foraging Inspired Load Balancing // Proceedings of IEEE Second International Conference on Developments in E-Systems Engineering (DESE). 2009. pp. 240–247.
21. Pan J.S., Wang H., Zhao H., Tang L. Interaction artificial bee colony based load balance method in cloud computing // Proceedings of Genetic and Evolutionary Computing. 2015. pp. 49–57.
Опубликован
2018-03-30
Как цитировать
Мослех, М. А. Л. С., & Радхамани, Г. (2018). Балансировка загруженности облачных вычислений на основе улучшенного алгоритма поведения пчелиной колонии. Труды СПИИРАН, 2(57), 26-44. https://doi.org/10.15622/sp.57.2
Раздел
Цифровые информационно-телекоммуникационные технологии
Авторы, которые публикуются в данном журнале, соглашаются со следующими условиями:
Авторы сохраняют за собой авторские права на работу и передают журналу право первой публикации вместе с работой, одновременно лицензируя ее на условиях Creative Commons Attribution License, которая позволяет другим распространять данную работу с обязательным указанием авторства данной работы и ссылкой на оригинальную публикацию в этом журнале.
Авторы сохраняют право заключать отдельные, дополнительные контрактные соглашения на неэксклюзивное распространение версии работы, опубликованной этим журналом (например, разместить ее в университетском хранилище или опубликовать ее в книге), со ссылкой на оригинальную публикацию в этом журнале.
Авторам разрешается размещать их работу в сети Интернет (например, в университетском хранилище или на их персональном веб-сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению, а также к большему количеству ссылок на данную опубликованную работу (Смотри The Effect of Open Access).
