عنوان انگلیسی: 

Energy efficient scheduling of virtual machines in cloud with deadline Constraint

عنوان فارسی:

زمان بندی کارآمد انرژی ماشین های مجازی در محاسبات ابری با محدودیت زمانی

تعداد صفحات مقاله اصلی: 13 صفحه ورد

تعداد صفحات ترجمه: 31 صفحه pdf

سال انتشار: 2015

مجله

Future Generation Computer Systems

Cloud computing is a scale-based computing model, and requires more physical machines and consumes an extremely large amount of electricity, which will reduce the profit of the service providers and harm the environment. Virtualization is widely used in cloud computing nowadays. However, existing energy efficient scheduling methods of virtual machines (VMs) in cloud cannot work well if the physical machines(PMs) are heterogeneous and their total power is considered, and typically do not use the energy saving technologies of hardware, such as dynamic voltage and frequency scaling (DVFS).

This paper proposes an energy efficient scheduling algorithm, EEVS, of VMs in cloud considering the deadline constraint, and EEVS can support DVFS well. A novel conclusion is conducted that there exists optimal frequency for a PMto process certain VM, based on which the notion of optimal performance–power ratio is defined to weight the homogeneous PMs. The PM with higher optimal performance–power ratio will be assigned to VMs first to save energy. The process of EEVS is divided into some equivalent schedule periods, in each of which VMs are allocated to proper PMs and each active core operates on the optimal frequency. After each period, the cloud should be reconfigured to consolidate the computation resources to further reduce the energy consumption. The deadline constraint should be satisfied during the scheduling. The simulation results show that our proposed scheduling algorithm achieves over 20% reduction of energy and 8% increase of processing capacity in the best cases

زمان بندی کارآمد انرژی ماشین های مجازی در محاسبات ابری با محدودیت زمانی

چکیده

محاسبات ابری یک مدل محاسباتی مبتنی بر مقیاس می باشد، و نیاز به ماشین های فیزیکی بیشتری داشته و توان بسیار زیادی مصرف می کند، که سود ارائه دهندگان خدمات را کاهش داده و به محیط زیست آسیب می رساند. امروزه از مجازی سازی به طور گسترده ای در محاسبات ابری استفاده می شود. با این حال، روش های موجود برای زمان بندی کارآمد انرژی ماشین های مجازی (VMs) در محاسبات ابری نمی توانند به خوبی کار کنند اگر ماشینهای های فیزیکی (PMs) ناهمگن بوده و توان کلی آنها در نظر گرفته شود، و معمولا از فن آوری های سخت افزاری صرفه جویی در مصرف انرژی، مانند ولتاژ دینامیکی و مقیاس سازی فرکانسی (DVFS) استفاده نمی کنند.

این مقاله یک الگوریتم زمان بندی کارآمد انرژی (EEVS)، برای ماشینهای مجازی در محاسبات ابری با توجه به محدودیت زمانی پیشنهاد می کند، و EEVS می تواند از DVFS (ولتاژ دینامیکی و مقیاس سازی فرکانسی) به خوبی پشتیبانی کند. این نتیجه تازه به دست آمده است که برای پردازش یک VM (ماشین مجازی) خاص فرکانس بهینه برای PM (ماشین فیزیکی) وجود دارد، بر این اساس مفهوم نسبت عملکرد به توان بهینه برای سنجش همگنی ماشین های فیزیکی تعریف می شود. ماشین فیزیکی با نسبت عملکرد به توان بهینه بالاتر به ماشین های مجازی با صرفه جویی در انرژی بهتر اختصاص داده خواهد شد. پردازش زمان بندی کارآمد انرژی (EEVS) به تعدادی دوره های زمانی معادل تقسیم می شود، در هر یک از دوره ها، ماشین های مجازی به ماشین های فیزیکی مناسب اختصاص داده شده و هر هسته فعال با فرکانس بهینه کار می کند. پس از هر دوره، ابر باید مجددا پیکربندی شده تا منابع محاسباتی را برای کاهش بیشتر مصرف انرژی ادغام کند. محدودیت زمانی اعمال شده می بایست در طول زمانبندی ارضا شود. نتایج شبیه سازی نشان می دهد که الگوریتم زمان بندی پیشنهادی ما در بهترین حالات بیش از 20٪ کاهش انرژی و 8 درصد افزایش ظرفیت پردازش ارائه می دهد.

کلیدواژه: بازده انرژی، زمان بندی ماشین مجازی، ولتاژ دینامیکی و مقیاس سازی فرکانس، محاسبات ابری

فهرست مطالب

1. مقدمه. 1

کارهای صورت پذیرفته مربوط... 4

1. مدل سیستم.. 8

3-1- مدل توان.. 8

3-2- مدل ماشینهای فیزیکی... 9

3-3- مدل ماشین مجازی... 10

4- برنامه ریزی کارآمد انرژی ماشین های مجازی... 12

4-1- مقدمات... 12

4-2- الگوریتم زمانبندی... 16

4-3- تخصیص ماشین مجازی... 18

4-4- پردازش ماشین مجازی... 19

4-5- پیکر بندی مجدد خوشه. 20

5- ارزیابی عملکرد. 21

5-1- راه اندازی شبیه سازی... 21

5-2- نتایج شبیه سازی... 23

5-2-1- مصرف انرژی... 23

5-2-2 زمان اجرا 27

5-2-3- تعداد ماشینهای مجازی ناموفق... 27

5-2-4- ماشینهای فیزیکی فعال.. 29

6- نتیجه گیری و کارهای آینده. 30