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.
A Novel Fuzzy QOS Based Improved Honey Bee Behavior Algorithm For Efficient Load Balancing In Cloud
Abstract
Nature inspired algorithm based Load balancing of tasks on virtual machines (VMs) has become an area of greater research interest. Honey Bee Behavior Based Load Balancing (HBB-LB) was introduced to balance the load with a maximum throughput. This approach also balances the priorities of the tasks on the VM to minimize the waiting time of the tasks. However, HBB-LB considers only the VM load for balancing the load, which might not be sufficiently effective. This paper proposes an Improved Honey Bee Behavior Based Load Balancing (IHBB-LB), taking into consideration a few more QoS parameters of VM, such as service response time, availability, reliability, cost and throughput to enhance load balancing. Response time is vital in determining the instant activity of a VM while availability determines available resource and state of VM (idle or active) and Reliability determines the level of trust in a VM. Most importantly, Cost for utilizing a VM and Throughput (capability of VM) are also essential in determining the VM efficiency. But, the inclusion of multiple QoS parameters results in multi-objective optimization problem. As a number of QoS parameters are computed, the Fuzzification of the QoS values was performed through the generated fuzzy rules and multi-objective optimization problem was eliminated. The experiments were performed in terms of makespan, response time, degree of imbalance and the number of tasks migrated and results indicate that the IHBB-LB provides a better level of performance.
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).
