پروپوزال مهندسی کامپیوتر بهینه سازی مهاجرت زنده ماشینهای مجازی در رایانش ابری

مشاوره در انجام پایان نامه و پروپوزال ارشد و دکتری، انجام پایان نامه ارشد و دکتری ادیب مشاور، انجام پایان نامه، انجام پایان نامه ارشد، انجام پایان نامه کارشناسی ارشد، انجام رساله دکتری، انجام پایان نامه دکتری

در نمونه پروپوزال ارشد مهندسی کامپیوتر به دنبال ارائه طرحی جهت یادگیری دانشجویان ارشد با ساختار کلی پروپوزال هستیم که دانشجو بتواند با مطالعه پروپوزال در روند انجام پایان نامه ارشد آشنایی پیدا کند و توان تدوین پروپوزال و پایان نامه را داشته باشد.از آنجایی که دانشجویان در مقطع ارشد آشنایی اولیه ای با روند انجام پروپوزال و انجام پایان نامه ندارند و در این مسیر نیازمند مشاوره در انجام پایان نامه هستند بنابراین سعی شده است که با ارائه موضوعات پایان نامه،نمونه پروپوزال ارشد و نمونه پایان نامه ارشد دانشجویان را در این مسیر یاری رسانده و آشنایی لازم را در این مسیر کسب نمایند.لازم است که دانشجویان عزیر با دقت نمونه موضوعات پایان نامه و نمونه پروپوزال ها و پایان نام های ارائه شده را با دقت مطالعه نموده و با نمونه برداری از هر قسمت به تدوین پروپوزال و پایان نامه خود اقدام نمایند.امید است که در این راه بتوانیم همواره مشاور و همراه شما باشیم .

در قسمت دفاعیه پایان نامه نیز نمونه پاورپوینت ارشد قرار داده هست که دانشجویان بتوانند جهت اماده سازی پاورپوینت دفاع پایان نامه استفاده نمایند.یک دفاع موفق منوط به مطالعه با دقت پایان نامه و رفع اشکال پایان نامه و سپس ارائه پاورپوینت با قسمت های پایان نامه همراه با آرامش در زمان دفاع می باشد.موسسه ادیب مشاور همواره در تمامی این مراحل در کنار شما عزیزان خواهد بود.

 

بيان مسأله اساسي تحقيق به طور كلي (شامل تشريح مسأله و معرفي آن، بيان جنبه ‏هاي مجهول و مبهم، بيان متغيرهاي مربوطه و منظور از تحقيق) :

رايانش ابری نوعي از رايانش توزيع شده و موازی در حال ظهور برای ارائه منابع رايانشي و ارائه سرويس از طريق اينترنت است. محيط رايانش ابری قابليت ذخيره سازی داده ها را به صورت امن، راحت و آسان و همچنين قابليت ارائه توان رايانشي را از طريق اينترنت فراهم مي سازد. مجازی سازی، توزيع پذيری و قابليت توسعه و گسترش خصوصيات جدايي ناپذير ابر هستند. در واقع رايانش ابری مدلي برای داشتن دسترسي فراگير، آسان و بنا به سفارش شبکه به مجموعه ای از منابع رايانشي قابل پيکره بندی (مانند شبکه‌ها، سرويس‌دهنده ها، فضای ذخيره‌سازی برنامه‌های كاربردی و سرويس‌ها) است كه سريعا و با صرف كمترين عمليات مديريتي و تعامل با فراهم كننده خدمات قابل دسترس است.

مجازی‌سازی، تکنيکي است كه به كمك آن پيچيدگي‌های موجود در سيستم رایانش ابری را از ديد كاربر پنهان مي‌کند. مجازی‌سازی با ايجاد چندين شمای منطقي جداگانه از سخت‌افزار، اين اجازه را مي‌دهد كه هر شما به صورت همزمان با كاربر در تعامل باشد. هر شمای منطقي مشابه شمای فيزيکي است، كاربر نيازی به دانستن جزييات ندارد و فقط با شمای منطقي كه توسط ناظر ماشين مجازی VMM[1] ايجاد شده، مي پردازد. اين زير مجموعه از منابع كه همانند يك ماشين فيزيکي عمل مي نمايند، ماشين مجازی VM[2] ناميده مي شود[1].

از آنجايي كه ارائه سرويس در رایانش ابری براساس موافقت نامه سطح خدمات صورت مي‌گيرد بنابراين ارائه دهندگان خدمات به الگوريتم‌هايي كه بتوانند اجرای تعهدات SLA[3]  را برای تامين اهداف كيفيت سرويس و كاهش نقض موارد اين توافق نامه را تضمين نمايد، نياز حياتي دارند. از اين جهت امروزه تکنيك‌های تخصيص منابع بر پايه SLA كه بتوانند حداكثر سطح رضايتمندی كاربر را فراهم نمايند، بسيار مورد توجه قرار گرفته است. مصرف كنندگان ابر درخواست های سرويس را از هر جايي از جهان به ابر مي‌فرستد. ارائه دهندگان سرويس ابری بايد به مشتريان اطمينان دهند كه نيازهای آنها به طور كامل برآورده خواهد شد[2].

تخصيص ماشين مجازی در رايانش ابری تعيين محل بهينه ماشين‌های مجازی بر روی ميزبان‌های فيزيکي درمركز داده ابری است به نحوی كه تعداد كمينه ای از ميزبان های فيزيکي روشن بماند. در رايانش ابری سرويس‌ها در لايه ها و سطوح مختلفي ارائه مي‌شوند تخصيص بهينه ماشين‌های مجازی بر روی ميزبان‌های فيزيکي مي‌تواند تاثير زيادی در كاهش مصرف انرژی مراكز داده و بهره‌وری منابع داشته باشد[3]. رايانش ابری يك الگوی نسبتاٌ جديد است، كه هنوز با چالش های بسياری رو به رو است زمانبندی و تخصيص پويای ماشين‌های مجازی يك از چالش های اساسي در سيستم‌های موازی و توزيع شده بوده و يك مساله NP-complete در سيستم های رايانشي محسوب می‌شود.

يکي از مهم‌ترين وظايف فراهم كنندگان سرويس‌های ابری مديريت موثر منابع فيزيکي ميزباني شده توسط زيرساخت های فيزيکي است. به نظر مي رسد كه جايگذاری اوليه جريان‌های كاری كه در آن به هر ماشين مجازی سهم اوليه ای از منابع داده مي شود، با ماهيت پويای جريان‌های كاری محيط‌های ابری كه هر لحظه ممکن است حجم تقاضای آنها با كاهش يا افزايش رو به رو شود، سازگار نباشد. از اين رو احتمال بخشي در مراكز داده به وجود مي‌آيد كه منابع مورد نياز ماشين‌های مجازی از ظرفيت مراكز داده‌ای كه روی آنها ميزباني مي‌شوند بيشتر است بنابراين در مقياس بزرگ اين منابع نياز به مديريت خودكار دارند تا بتوانند با مهاجرت آنها به ميزبان‌های با بار كمتر به مشکلات اين بخش‌ها رسيدگي كنند. از اين رو در ميزبان های كم بار و پربار عمل مهاجرت ماشين مجازی انجام مي‌شود، به اين صورت كه مهاجرت ماشين‌های مجازی، از ميزبان‌های پربار به ميزبان‌های با بهره وری كمتر، با هدف ايجاد توازن بار انجام مي‌شود و در صورت پربار بودن تمام ميزبان های همسايه، ميزبان جديدی برای پاسخگويي به نياز اين دسته از ماشين های مجازی روشن مي شود. همچنين با مهاجرت كامل ماشين‌های مجازی از ميزبان‌های كم بار به ساير ميزبان ها، ميزبان های خالي جهت صرفه جويي در مصرف انرژی خاموش مي شوند[4].

كه در اين تحقيق الگوريتمي برای تخصيص و مهاجرت ماشين های مجازی بر روی ماشين های فيزيکي با در نظر گرفتن نوسانات نياز به منابع در ماشين های مجازی بر اساس الگوریتم‌های تکاملی با هدف صرفه جويي در مصرف انرژی و بهبود توازن بار ارائه مي شود.

 

 

د - اهمیت و ضرورت انجام تحقيق (شامل اختلاف نظرها و خلاءهاي تحقيقاتي موجود، ميزان نياز به موضوع، فوايد احتمالي نظري و عملي آن و همچنين مواد، روش و يا فرآيند تحقيقي احتمالاً جديدي كه در اين تحقيق مورد استفاده قرار مي‏گيرد:

فناوری رايانش ابری يکي از راه‌های گسترش سريع برای ارائه خدمات فناوری اطلاعات مبتني بر سودمندی به كاربر مي‌باشد. مراكز داده مجازی بزرگ به منظور برآورده كردن اين نيازها ايجاد شده اند. مراكز داده ميزان زيادی از توان محاسبات را برای ارائه خدمات و كارآمد و قابل اعتماد به كاربر خود مصرف مي كنند.

يك استراتژی زمانبندی منبع بايستي از درخواست يك منبع توسط دو برنامه به صورت همزمان، كمبود منابع، ارائه بيشتر از تقاضا، ارائه كمتر از تقاضا بپرهيزد. در محيط رايانش ابری، زمانبندی منابع ماشين‌های مجازی یک مسئله بهینه‌سازی NP-hard است. توازن بار وظایف مستقل غیرانحصاری روی ماشین‌های مجازی یکی از جنبه های مهم زمانبندی وظایف در رایانش ابری است. هر گاه ماشین‌های مجازی پربار و ماشین‌های مجازی باقی مانده تحت بارگذاری با وظایف پردازشی هستند، بار به متعادل کننده برای رسیدن به بهره برداری بهینه از ماشین‌ها نیاز دارد[۱۵]. عدم تعادل بار در سيستم موجب افزايش مصرف انرژی و نقض SLA در سيستم مي شود كه با مهاجرت موثر ماشين های مجازی در صورت لزوم و يا خاموش كردن ميزبان های بيکار مي توان نقض SLA و مصرف انرژی در سيستم را كاهش داد. در این پژوهش ما با ارائه الگوریتم زمانبندی مناسب با رویکرد توازن بار، کاهش زمان و کاهش هزینه سعی در بهبود این عملکرد خواهیم داشت. لذا با استفاده از با استفاده از الگوریتم بهینه سازی چند هدفه تکاملی سعی در بهینه نمودن اهداف مورد نظر را داریم.

 

ه- مرور ادبیات و سوابق مربوطه (بيان مختصر پیشینه تحقيقات انجام شده در داخل و خارج کشور پيرامون موضوع تحقیق و نتايج آنها و مرور ادبیات و چارچوب نظري تحقیق):

در [5]، به بررسی مدیریت توان و کارایی در سیستم‌های کامپیوتری مجازی شده پرداختند. مسئله به تامین پویای ماشین‌های مجازي برای برنامه‌های تحت وب چند لایه بر اساس حجم کار فعلی محدود شده است. سطح سرویس توافق شده برای هر یک از برنامه‌ها به صورت نرخ پردازش درخواست‌ها تعریف شده است. کاربران برای سرویس‌های ارائه شده هزینه‌ای پرداخت می‌کنند و در صورت تخطی از سطح سرویس توافق شده، مبلغی را از فراهم آوردنده سرویس باز پس می‌گیرند. هدف بیشینه کردن سود فراهم آورنده به وسیله کاهش میزان انرژی مصرفی و تخطی نکردن از سطح سرویس توافق شده است. آنها مسئله را به عنوان یک مسئله بهینه‌سازی ترتیبی در نظر گرفته‌اند و آن را با استفاده از کنترل پیش بینی محدود شده حل نمودند. تعداد ماشین‌های مجازی، میزان پردازنده، تعداد سرورها، کسری از حجم کار ورودی که قرار است بین سرورها توزیع شوند؛ متغیرهای تصمیم‌گیری هستند که بهینه شده اند و همچنین در این مدل تاخیرها و هزینه‌های مربوط به خاموش و روشن کردن سرور و ماشین‌های مجازی را در نظر گرفته اند.آنها به منظور تخمین تعداد درخواست ها از فیلتر کالمن استفاده کرده اند که برای پیش بینی حالت آینده سیستم و دوباره انجام دادن تخصیص ها استفاده شده است. برای مسئله بهینه سازی یک مدل ریاضیاتی ارائه شده است كه آن تابع ریسک – آگاه است و شامل ریسک هایی از قبیل خاموشی بیش از اندازه به دلیل متغیر بودن حجم کاری و مصرف توان زودگذر می شود. کار انجام شده توسط این گروه به خاطر در نظر گرفتن بسیاری از ریسک‌ها، هزینه ها و تاخیرهای موجود در سیستم‌های واقعی قابل توجه است، اما از سمت دیگر به خاطر پیچیده‌گی بالا مناسب استفاده در مراکز با مقیاس بزرگ نیست.آنها مسئله را به صورت یک مسئله بهینه سازی پیوسته در نظرگرفتند. در هر بازه‌ی زمانی مکان قرار گیری ماشین های مجازی بایستی به منظور دستیابی به حداقل مصرف توان و حداکثر کارایی بهینه شود. از چندین فرض به منظور حل مسئله استفاده شده است. اولین آنها انزوایی کارایی می باشد به این معنا که چندین برنامه بر روی چندین ماشین مجازی حاضر بر روی فقط یک سرور اجرا شده اند و ماشین های مجازی بر کارایی یکدیگر تاثیری ندارند. فرض دوم این است که زمان انجام یک مهاجرت زنده ماشین مجازی، وابسته به بار پس زمینه نیست و هزینه انتقال را می‌توان بر مبنای اندازه ماشین‌مجازی و سود کم شده به موجب تخطی از سطح سرویس توافق شده تخمین زد. و فرض دیگر این است که الگوریتم کمینه کردن توان، می‌تواند مصرف توان را بدون دانستن مقدار واقعی توان مصرف شده توسط برنامه کمینه کند. آنها مسئله را به صورت یک مسئله بسته بندی با اندازه بسته و هزینه های متغیر تعریف کردند. برای حل این مسئله، از الگوریتم بهترین  اولین کاهشی استفاده شده است. نتایج نشان می دهد که این روش 25% صرفه جویی بیشتری در توان نسبت به الگوریتم های جایگذاری با توازن بار و ایستا انجام می دهد.

در [6] به مسئله کاهش مصرف انرژی در منابع رایانش ابری با توجه به سطح سرویس توافق شده تعریف شده میان کاربران و فراهم آورنده سرویس پرداختند و آن را در قالب پروژه رایانش ابری سبز ارائه کردند. در این پروژه مسئله تخصیص توان-آگاه ماشینهای مجازی در مرکز داده رایانش ابری با توجه به نیازمندهای کیفیت سرویس‌ها کاربران ازقبیل ضرب العجل و محدودیتهای بودجه‌ای بررسی شده است. در اینجا یک مدل زمان واقعی ماشین مجازی ارائه شده که فراهم آورنده سرویس به بررسی ماشین‌های مجازی برای درخواست‌های موجود و پارامترهای کیفیت سرویس‌های موجود می‌پردازد. نتایج نشان دهنده‌ی این امر بود که روش ارائه شده باعث کاهش مصرف توان می‌شود. دو الگوریتم جدید به منظور کاهش مصرف انرژی و میزان تخطی از سطح سرویس توافق شده معرفی می‌شود. که تمرکز اصلی روش‌های ارائه شده بر روی کاهش تخطی از سطح سرویس توافق شده می‌باشد در حالی که مصرف انرژی نیز افزایش پیدا نمی‌کند. الگوریتم‌های معمول برای مسئله ترکیب ماشین‌های مجازی به چهار بخش عمده تقسیم می‌شوند : 1) یافتن میزبانان فرابار 2) انتخاب ماشین‌های مجازی از میزبانان فرابار 3) یافتن میزبانان فرو بار 4) انتخاب مکان جدید برای ماشین های مجازی بدست آمده از میزبانان فرابار و فروبار.

در[7] يك الگوريتم بنام زمانبندی پويای ماشين مجازی مبتني بر مدل پيش بيني برای استقرار ماشين‌های مجازی در محيط رايانش ابری پيشنهاد شده است. در اين الگوريتم با در نظر گرفتن مصرف حافظه ماشين مجازی در گذشته ماشين ميزبان مناسب را برای استقرار آن بر اساس پيش بيني مصرف حافظه آن در آينده انتخاب مي كند. در الگوريتم ارائه شده مسئله استقرار ماشين های مجازی را به عنوان يك مسئله بسته بندی در نظر گرفته شده است. در مسئله بسته بندی ماشين های فيزيکي به عنوان ظرف هايي با ابعاد مختلف در نظر گرفته شده اند كه ابعاد ظرف همان ظرفيت منابع ماشين مجازی است و ماشين های مجازی نيز به عنوان بسته هايي كه قرار است در اين ماشين های فيزيکي قرار بگيرند در نظر گرفته شده است كه توسط الگوريتم FFD[4] حل شده است. در مدل ارائه شده توزيع احتمال تقاضای حافظه توسط ماشين مجازی در آينده با اندازه گيری مصرف حافظه در بازه زماني مختلف بااستفاده از مدل رگرسيون خودكار پيش بيني شده است.

در[8] يك الگوريتم مبتني بر اولويت برای تخصيص ماشين های مجازی بر روی ماشين های فيزيکي ارائه شده است. در اين مقاله با در نظر گرفتن محدوديت منابع موجود در ابر هدف به حداكثر رساندن سود ارائه دهنده با پاسخگويي به درخواست هايي است كه سود بيشتری دارند. در اين الگوريتم ماشين های مجازی در اندازه های بزرگ، متوسط و كوچك در سيستم موجود هستند و هر ماشين فيزكي در هر لحظه ظرفيت ارائه يك ماشين مجازی بزرگ، دو ماشين مجازی متوسط و يا شش ماشين مجازی كوچك را دارد. به اين ترتيب كه ماشين های مجازی با اندازه بزرگتر مقدار بيشتری از منابع را مصرف مي كنند و سود بيشتری را به ارائه دهنده مي رسانند بنابراين درخواست های با اندازه بزرگ از اولويت بالاتری برخوردارند و زودتر پاسخ داده مي شوند. در هر بازه زماني بعد از آزادسازی ماشين های مجازی توسط هر كاربر اين ماشين ها مي توانند با هم تركيب شود و يك ماشين مجازی بزرگ را برای پاسخگويي به درخواست های در اندازه بزرگتر فراهم كنند.

در [9] يك الگوريتم زمانبندی برای مهاجرت چندگانه ماشين های مجازی در محيط رايانش ابری با هدف كاهش هزينه سربار مهاجرت، كاهش ترافيك و تسريع فرآيند مهاجرت چندگانه ماشين های مجازی ارائه شده است. در اين مقاله نگاشت اوليه ماشين های مجازی بر روی ماشين های فيزيکي با استفاده از الگوريتم بسته بندی انجام شده است و هر نگاشت اوليه به عنوان يك كلاستر درنظر گرفته شده است. سپس با استفاده از الگوريتم ژنتيك بهترين نگاشت برای استقرار ماشين های مجازی بر روی ماشين های فيزيکي با در نظر گرفتن هزينه مهاجرت و كمترين تعداد مهاجرت بدست مي آيد.

در [10] يك الگوريتم تخصيص ماشين مجازی آگاه از شبکه در محيط رايانش ابری ارائه شده است كه هزينه های ارتباطي و تاخير بين ماشين های فيزيکي با ماشين های مجازی را با پيکربندی ماشين های مجازی و پهنای باند ارتباطي برای راضي نگه داشتن كاربران را حداقل كنند. مسئله كوله پشتي برای حل اين مسئله به كار رفته است كه بصورت دو بعدی حل شده است و در مقايسه با ساير الگوريتم ها رضايت بخش بوده است.

در [11] يك الگوريتم زمانبندی چند هدفه با استفاده ازسيستم كلوني مورچه برای استقرار ماشين های مجازی بر روی ماشين های فيزيکي در محيط رايانش ابری ارائه شده است. هدف اين مقاله اين است كه به طور همزمان با استفاده مجموعه راه حل های پارتو و مرتب سازی نامغلوب اتلاف كل منابع و مصرف انرژی را به حداقل برساند. در اين الگوريتم ماشين های مجازی درخواستي ابتدا به صورت تصادفي بر روی يك ماشين فيزيکي استقرار مي يابند و سپس با استفاده از الگوريتم چند هدفه كلوني مورچه اين ماشين ها برای تخصيص بهينه و صرفه جويي در مصرف انرژی در ميان ماشين های فيزيکي مختلف مهاجرت مي كنند. الگوريتم ارائه شده در مقايسه با الگوريتم ژنتيك چند هدفه و الگوريتم تخصيص بر اساس بسته بندی از كارايي باالتری برخوردار بوده است.

در [12] سيستمي برای تخصيص پويای منابع مراكز داده مبتني بر تقاضای برنامه های كاربردی و رايانش سبز با بهينه سازی تعداد سرويس دهنده های مورد استفاده ارائه شده است. اين مقاله از مفهوم عدم تقارن برای اندازه گيری ناهمواری در استفاده از منابع چند بعدی يك سرويس دهنده استفاده كرده است. با به حداقل رساندن عدم تقارن، قابليت تركيب چند باركاری مختلف را فراهم آورده و ميزان بهره وری از منابع سرويس دهنده را بهبود داده است. اين مقاله با استفاده از يك فناوری هوشمند از اضافه بار سيستم به طور موثرجلوگيری كرده و مصرف انرژی را كاهش داده است.

در [13] يك الگوريتم مکاشفه ای برای تخصيص مجدد و پويای ماشين های مجازی برای كاهش مصرف انرژی و فراهم كردن كيفيت سرويس قابل اعتماد با استفاده از مهاجرت زنده ماشين های مجازی برحسب نيازبه منابع ارائه شده است. تخصيص ماشين های مجازی به دو بخش تقسيم مي شود: بخش اول پذيرش درخواست های جديد برای تامين ماشين های مجازی و جايگذاری ماشين های مجازی بر روی ماشين های فيزيکي است و بخش دوم بهينه سازی تخصيص فعلي ماشين های مجازی با استفاده از مهاجرت آن ها بين ماشين های فيزيکي مختلف است. بخش اول در اين مقاله به عنوان يك مساله بسته بندی با اندازه بسته ها و قيمت های مختلف در نظر گرفته شده است. برای حل اين مسئله الگوريتم كاهشي BFD[5] به الگوريتم MBFD[6] ويرايش شده است به اين صورت كه با مرتب سازی تمام ماشين های مجازی به ترتيب نزولي بهروه وری فعلي آنها و تخصيص آنها به ماشين فيزيکي كه با اين تخصيص جديد حداقل افزايش در مصرف انرژی را داشته باشد. بهينه سازی تخصيص فعلي ماشين مجازی نيز در دومرحله انجام شده است: مرحله اول انتخاب ماشين های مجازی است كه نياز به مهاجرت دارند و مرحله بعدی جايگذاری اين ماشين های مجازی بر روی ماشين های فيزيکي با استفاده از الگوريتم BFD است. چهار روش مکاشفه ای برای انتخاب ماشين های مجازی كه نياز به مهاجرت دارند در نظر گرفته شده است. اول تنظيم آستانه بهره برداری سطح باال برای ماشين های فيزيکي و استقرار ماشين های فيزيکي بر روی آنها در حالي كه بهره برداری از پردازنده زير اين آستانه نگه داشته شود با هدف حفظ منابع آزاد به منظور جلوگيری از نقض موافقت نامه سطح سرويس در شرايطي كه نياز ماشين های مجازی استقرار يافته به منابع افزايش مي يابد. سه رو ش ديگر تنظيم آستانه بهره برداری باال و پايين و نگه داشتن بهره وری تمام ماشين های مجازی در بين اين دو آستانه است در اين روش اگر ميزان بهروه وری پردازنده يك ماشين فيريکي كمتر از حداقل آستانه تعيين شده باشد تمام ماشين های مجازی مستقر بر روی اين ماشين فيزيکي به ديگر ميزبان ها مهاجرت مي كنند و ماشين فيزيکي جاری برای كاهش مصرف انرژی خاموش مي شود. سه سياست كمترين زمان مهاجرتMMT[7]، بالاترين رشد پتانسيل HPG[8] و سياست انتخاب تصادفي RC[9] برای انتخاب ماشين های مجازی كه نياز به مهاجرت دارند در نظر گرفته شده است. نتايج به دست آمده از اين مقاله نشان مي دهد كه با تکنيك تخصيص مجدد پويای ماشين های مجازی و خاموش كردن سرويس دهنده های بيکار، صرفه جويي در مصرف انرژی قابل توجهي را به ارمغان مي آورد و قابل انطباق با مراكز داده واقعي ابری است.

در [14] يك الگوريتم ژنتيك برای زمانبندی آگاه از انرژی GAPA[10] برای حل مسئله تخصيص استاتيك ماشين های مجازی SVMAP[11] ارائه شده است. هدف از اين مقاله ايجاد يك مصالحه بين به حداقل رساندن مصرف انرژی و برآورده كردن نيازهای كيفيت سرويس QOS[12] است. در اين مقاله مساله تخصيص منابع به ماشين های مجازی موجود در يك محيط خصوصي مانند دانشگاه در نظر گرفته شده است. الگوريتم GAPA از يك ساختار درختي برای كدگذاری كروموزم ها استفاده كرده است. سطح اول اين درخت شامل يك گره است كه معني دار نبوده، سطح دوم درخت شامل مجموعه ای از گره ها برای نشان دادن مجموعه ماشين های فيزيکي و سطح سوم درخت شامل يك مجموعه گره برای نشان دادن ماشين های مجازی است. هر نمونه از ساختار درخت نشان دهنده ی يك تخصيص از يك مجموعه از ماشين های مجازی به يك مجموعه از ماشين های فيزيکي است و با استفاده از يك تابع برازش با محاسبه مجموع توان مصرفي هريك از ماشين های فيزيکي ارزش هريك از كروموزم ها را محاسبه مي كند. در الگوريتم ارائه شده از مدل توان مصرفي IBM و سرويس دهندهای DELL استفاده شده است و مي تواند تخصيص بهتری از ماشين های مجازی بر روی ماشين های فيزيکي نسبت به روش های تخصيص مکاشفه ای BFD كه در الگوريتم SVMAP استفاده شده، از لحاظ مصرف انرژی فراهم آورد.

 

 

و – جنبه جديد بودن و نوآوري در تحقيق:

 

استفاده از الگوریتم‌های تکاملی در تخصيص و مهاجرت ماشين مجازی بر روی ماشين های فيزيکي با در نظر گرفتن نوسانات تقاضای منابع توسط ماشين های مجازی به منظور كاهش مصرف انرژی و توازن بار در سيستم

 

در سال‌های اخیر، محاسبات ابری به عنوان راهی به سوی مهار و کسب مزیت‌های منابع محاسباتی(سخت افزاری و نرم افزاری) از سازمان‌ها و مراکز علمی در سراسر دنیا، پدیدار شده‌است. رایانش ابری، رویکرد جدیدی در حل مسائل با مقیاس بزرگ در زمینه‌های علمی، تجاری و مهندسی محسوب می‌شوند. با فراگیر شدن این تکنیک نوین، رایانش ابری به سوی تجاری شدن پیش می‌رود و صاحبان این تکنولوژی منابع خود را با انگیزه‌های مالی در اختیار کاربران قرار دهند. زمانبندی موثر وظایف جهت دستیابی به عملکرد بالا در محیط ابر، بحثی مهم و حیاتی است. بحث توازن بار یکی از موانع مهم بر سر راه پیشرفت محاسبات ابری می‌باشد. تعدادی از الگوریتم‌ها زمانبندی برای برآوردن نیازهای کاربر توسعه یافته اند. اما تمرکز اکثر آنها بر روی بهینه نمودن بحث هزینه تکمیل وظایف و زمان تکمیل وظایف بر روی پلتفرم ابر اقتصادی می‌باشد. در این بین زمانبندی وظایف با رویکرد توازن بار همزمان یک خواسته برای فراهم کنندگان ابری می‌باشد. بنابراین توازن بار به عنوان یک مفهوم بسیار مهم و به عنوان یک هدف در زمانبندی مطرح می‌شود.

سه هدف هزینه تکمیل وظایف و زمان تکمیل وظایف و توازن بار در ابر تجاری دارای تعارض و ناسازگاری هستند که روش‌های بهینه‌سازی تک هدفه‌ی رایج، باعث از بین رفتن اطلاعات زمانبندی می‌شوند و حق انتخاب را از کاربران و استفاده‌کنندگان می‌گیرند، از اینرو استفاده از روش‌های زمانبندی جدید با توانایی بهینه‌سازی چند هدفه، جواب‌های متعددی را در قالب جبهه‌ی بهینه‌ی پارتو به فراهم کننده‌گان پیشنهاد می‌کند و فراهم کنندگان برای انتخاب جواب مطلوب خود از بین جواب‌های متنوع پیشنهاد شده، تصمیم‌گیری می‌کنند. در این پژوهش با ارائه الگوریتم زمانبندی وظایف چند هدفه مبتنی بر توازن بار به صورت بهینه به حل چالش‌های اساسی در ابر پرداخته می‌شود.

 

 

ز- اهداف مشخص تحقيق (شامل اهداف آرماني، کلی، اهداف ويژه و كاربردي):

اهداف کلی:

  1. بهره‌وری بیشتر از منابع موجود
  2. استفاده ارزان‌تر و آسان‌تر از منابع
  3. ایجاد فرصت های مطلوب برای فراهم کنندگان ابر

اهداف اختصاصی:

به عنوان مفاهیم کلیدی در مدیریت منابع رایانش ابری، می‌توانیم به موارد زیر اشاره کنیم:

  • تخصيص بهینه منابع به ماشين‌هاي مجازي
  • زمانبندی منابع
  • كاهش هزينه هاي زمانی، مالی و انرژی در استفاده از منابع

هدف از اجرای این تحقیق در مجموع، ارائه یک روش برای زمانبندی وظایف در رایانش ابری می‌باشد، در واقع قصد داریم مدیریت منابع را که به عنوان یکی از مباحث مورد توجه در علم رایانش ابری است برای کاهش هرچه بیشتر زمان اجرا، هزینه‌های منابع و افزایش توازن بار به کار بریم و بدین ترتیب توان عملیاتی سیستم را بهبود ببخشیم، تا باعت ارتقای سطح QoS در رایانش ابری شود.

 

 

 

ح – در صورت داشتن هدف كاربردي، نام بهره‏وران (سازمان‏ها، صنايع و يا گروه ذينفعان) ذكر شود (به عبارت دیگر محل اجرای مطالعه موردی):

 

 

ط-  سؤالات تحقیق:

  • مناسب ترين ماشين فيزيکي برای ميزباني ماشين مجازی كدام است؟
  • آيا مي توان با تخصيص ماشين های مجازی به ماشين های فيزيکي با استفاده از الگوریتم تکاملی مصرف انرژی در ميزبان را به حداقل رساند؟
  • آيا مي توان با استفاده از الگوریتم تکاملی توازن بار در سيستم را به وجود آورد؟

 

 

ی-  فرضيه  ‏هاي تحقیق:

  1. با تخصيص ماشين های مجازی به ماشين های فيزيکي با استفاده از الگوریتم تکاملی مي توان مصرف انرژی در ماشين های مجازی را كاهش داد.
  2. استفاده از الگوریتم تکاملی مي تواند باعث توازن بار در ميان ماشين های فيزيکي شود.

 

 

ک- تعريف واژه‏ ها و اصطلاحات فني و تخصصی (به صورت مفهومی و عملیاتی):

رايانش ابری: به گونه ای از سيستم های توزيع شده و موازی اطالق مي گردد كه از بستر اينترنت برای اتصال به ميزبان شبکه، زيرساخت ها، برنامه های كاربردی و ارائه سرويس های قابل اعتماد استفاده مي كنند. اين سرويس ها به صورت پويا و به عنوان يك يا چند منبع رايانشي براساس توافقات سطح سرويس بين سرويس دهندگان و مصرف كنندگان عرضه مي شوند.

ماشين مجازی: ماشين مجازی به صورت يك نسخه كپي شده از روی يك ماشين واقعي به صورت كارا و ايزوله شده تعريف است كه رايانش ابری سعي دارد ايجاد نسل جديدی از مراكز داده ای را با ارائه كردن سرويس ها و خدمات در ماشين های مجازی شبکه شده به صورت پويا به گونه ای فراهم كند كه كاربران بتوانند از هرجای دنيا به منابع دسترسي داشته باشند.

مهاجرت ماشين مجازی: مجازی سازی يك تکنولوژی در محيط رايانش ابری است كه با تقسيم منابع يك ميزبان فيزيکي بين چندين ماشين مجازی امکان استفاده همزمان و اشتراكي از منابع ميزبان توسط ماشين های مجازی را فراهم مي كند. ماشين های مجازی مي توانند برحسب تقاضا ايجاد شوند و يا مهاجرت كنند. مهاجرت ماشين های مجازی از يك ماشين فيزيکي به ماشين فيزيکي ديگر با هدف توازن بار ،كاهش نقض SLA و كاهش مصرف انرژی در ميزبان ها انجام مي شود.

موافقت نامه سطح سرويس: يك قرارداد دوجانبه بين سرويس دهنده و سرويس گيرنده است كه براساس توافق و به منظور تضمين كيفيت پارامترهای خدمات توافق شده، منعقد مي شود. طبق اين قرارداد نقض در اجرای تعهدات توسط سرويس دهنده منجر به پرداخت جريمه خواهد شد بنابراين كاهش ميزان تناقضات SLA نيز يکي از اهداف ارائه دهندگان مي باشد.

 

5-روش شناسی تحقیق:

 

الف- شرح كامل روش تحقیق بر حسب هدف، نوع داده ها و نحوه اجراء (شامل مواد، تجهيزات و استانداردهاي مورد استفاده در قالب مراحل اجرايي تحقيق به تفكيك):

تذكر: درخصوص تفكيك مراحل اجرايي تحقيق و توضيح آن، از به كار بردن عناوين كلي نظير، «گردآوري اطلاعات اوليه»، «تهيه نمونه‏هاي آزمون»، «انجام آزمايش‏ها» و غيره خودداري شده و لازم است در هر مورد توضيحات كامل در رابطه با منابع و مراكز تهيه داده‏ها و ملزومات، نوع فعاليت، مواد، روش‏ها، استانداردها، تجهيزات و مشخصات هر يك ارائه گردد.

ابتدا مرور جامعي بر ادبيات تحقيق خواهد شد و راهکارهای عملی بیان و تشریح می‌شود سپس به چالش‌های موجود در مسير ارائه سرویس بهتر پرداخته می‌شود؛ با مروری بر معماری ماشينهای مجازی، اهداف زمانبندی وظایف و تخصیص منابع با توابع و محدودیت‌های موجود، شناسایی می‌شود.

پس از تعیین اهداف مشخص برای مسئله بهینه‌سازی زمانبندی، سعی در پیاده‌سازی روش‌های ارائه شده نموده و سپس به بررسی مشکلات و معایب این روش‌ها می‌پردازیم و سعی در بهبود عملکرد آنها با شیوه ای نو داریم.

در انتها الگوریتم MO-PSO جدید را با بهره‌گیری از مزایای روش‌های قبلی پیاده‌سازی نموده و نتایج آن را با دیگر الگوریتم‌های موجود مقایسه می‌کنیم.

یکی از راهکارهای اساسی در استفاده کارا از منابع محاسبات ابری، تخصیص و زمانبندی کارها با درنظر گرفتن منفعت هم برای ارائه دهنده و هم برای مشتری، توازن‌بار می‌باشد، لذا سناریوی اصلی در رایانش ابری را با در نظر گرفتن این رویکرد بیان و الگوریتم پیشنهادی را ارائه می‌کنیم. بهترین تابع برازندگی را محاسبه و آن را پیاده‌سازی می‌نماییم.

 

 

نتایج مورد انتظار:

وظيفه زمانبند، مديريت منابع و تقسيم صحیح کارها بين منابع محاسباتی است. زمانبندی بهتر باعث بالا رفتن بیشتر کيفيت سرويس می‌شود. بحث زمانبندی کارها را با استفاده از الگوریتم‌های تکاملی در جهت بهبود توازن بار ماشین‌های مجازی، زمان اجرای وظایف و کاهش هزینه اجرای آنها مورد بررسی قرار می‌دهیم. لذا برآنیم با اجرای روش پیشنهادی به نتایج زیر دست پیدا کنیم:

  • افزایش سطح اطمینان و اعتماد متقابل
  • کاهش هزینه
  • کاهش زمان اجرای وظایف
  • افزایش سودهی سیستم

 

 

ب-  متغيرهاي مورد بررسي در قالب یک مدل مفهومی و شرح چگونگی بررسی و اندازه گیری متغیرها:

  1. درصد استفاده از پردازنده
  2. درصد استفاده از حافظه
  3. درصد استفاده از پهنای باند
  4. بازه زماني اندازه گيری نوسانات بار در ماشين های مجازی
  5. آستانه حداقل استفاده از منابع ماشين های فيزيکي
  6. آستانه حداكثر استفاده از منابع ماشين های فيزيکي

 

ج –  شرح کامل روش (ميداني، كتابخانه‏اي) و ابزار (مشاهده و آزمون، پرسشنامه،  مصاحبه،  فيش‏برداري و غيره) گردآوري داده‏ها :

این تحقیق از نوعِ نظری می‌باشد. ابتدا نظريه هاي متفاوت مرتبط با مدیریت منابع در رایانش ابری بیان و راجع‌به آنها بحث می‌شود و در انتها الگوریتمی ارائه می‌شود تا به پرسش‌های مطرح شده در این تحقیق، پاسخ دهد. براي جمع آوري اطلاعات و بررسي و مطالعه مباني نظري موضوع تحقيق و دستيابي به اطلاعات اوليه، با استفاده از روش كتابخانه‌اي  واز كتب و مقالات داخلي و خارجي و همچنين شبكه جهاني اينترنت به منظور دستيابي به مقالات و مطالب مرتبط با موضوع تحقيق استفاده شده است.

 

 

 

د – جامعه آماري، روش نمونه ‏گيري و حجم نمونه (در صورت وجود و امکان):

 

 

هـ - روش‌ها و ابزار تجزيه و تحليل داده ‏ها:

ابتدا مدل پیشنهادی را با الگوریتم MO-PSO پیاده‌سازی نموده و نتایج آن را روی سناریوی اصلی در رایانش ابری اجرا می‌کنیم سپس همین روال را برای الگوریتم‌های چندهدفه دیگر مانند NSGA-II اجرا نموده و به مقایسه از لحاظ هزینه اتمام وظایف و makespan می‌پردازیم. در حالت کلی با مقایسه‌ی آنها می‌توان به قدرت روش پیشنهادی پی برد. در این تحقیق برای پیاده‌سازی و شبیه‌سازی از  نرم‌افزار Matlab استفاده خواهد شد.

 

 

[1] Virtual Machine Monitor

[2] Virtual Machine

[3] Service Level Agreements

[4] First Fit Decreasing

[5] Best Fit Decreasing

[6] Modified Best Fit Decreasing

[7] Minimize Migration Time

[8] Highest Potential Growth

[9] Random Choice

[10] Genetic Algorithm Power Aware

[11] Static Virtual Machine Allocation Problem

[12] Quality of service

 

پروپوزال مهندسی کامپیوتر تلفیق الگوریتم ژنتیک و منطق فازی برای خوشه بندی نابرابر در شبکه های حسگر بیسیم

آموزش تخصصی انجام پایان نامه مهندسی کامپیوتر، شبکه حسگر بیسیم

پروپوزال مهندسی کامپیوتر ردیابی هدف متحرک در شبکه حسگر بی‌سیم با استفاده از الگوریتم بهینه‌سازی کوکو

پروپوزال مهندسی کامپیوتر ارائه چارچوب و مدلی برای امنیت داده های حجیم

پروپوزال مهندسی کامپیوتر ارائه‌ی یک روش تخصیص منابع جهت انتخاب طیف در شبكه­‌هاي  بي‌سيم راديوشناختی در محیطهای پویاچ

 

خدمات ادیب مشاور در زمینه رشته مهندسی کامپیوتر

ارائه موضوع پایان نامه مهندسی کامپیوتر

تدوین مقاله در رشته مهندسی کامپیوتر

مشاوره در تدوین پروپوزال مهندسی کامپیوتر

مشاوره و آموزش در پایان نامه مهندسی کامپیوتر

انجام شبیه سازی در رشته مهندسی کامپیوتر

استخراج مقاله در  رشته مهندسی کامپیوتر

استفاده از نرم افزارهای تخصصی همچون نرم افزار R، نرم افزار STATA، نرم افزار MATLAB، نرم افزار Vensim، نرم افزار LINGO، نرم افزار NS2

 

مشاوره تخصصی انجام پایان نامه ارشد

یکی از مهمترین وظایف دانشجویان در مقاطع تحصیلات تکمیلی (کارشناسی ارشد و دکتری) انجام پایان نامه می باشد. فقر اساتید خبره در زمینه های مختلف علمی تحقیقاتی در برخی دانشگاه های داخلی و خارجی موجب سردرگمی دانشجویان عزیز گردیده است، موسسه ادیب مشاور مفتخر است که در پاسخ به این نیاز طی ده سال فعالیت به تعداد بیشماری از دانشجویان ارشد و دکتری خدمات مشاوره تخصصی ارايه داده است.

به طور کلی انجام پایان نامه کاری زمان بر است که دانش و تجربه زیادی نیازمند است. موسسه ادیب مشاور با چندین سال تجربه در عرصه مشاوره و با در اختیار داشتن متخصصین و اساتیدی با تجربه آماده مشاوره و آموزش پایان نامه در کلیه رشته های دانشگاهی می باشد.

علاوه بر این موسسه ادیب مشاور، در زمینه شبیه سازی مقالات، پایان نامه ها و انجام پروژه ها با برنامه نویسی نیز به دانشجویان کشور عزیزمان خدمات لازم را ارائه می کند. این خدمات شامل تحلیل آماری، پیاده سازی با انواع نرم افزارهای مهندسی، برنامه نویسی با انواع زبان های برنامه نویسی و تهیه پرسش نامه می شود.

به طور کلی سر فصل های خدمات موسسه ادیب مشاور عبارتند از:

مشاوره پروپوزال در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

مشاوره پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک، مهندسی کامپیوتر و روانشناسی و دیگر رشته ها

استخراج مقاله از پایان نامه در رشته مدیریت، حسابداری، مهندسی برق قدرت، مهندسی برق الکترونیک،