Original scientific paper

Inteligentni adaptivni više-parametarski migracijski model za uravnoteženje opterećenja virtualne skupine servera

Mohsen Tarighi ; Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
Seyed Ahmad Motamedi ; Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran
Saeed Sharifian ; Department of Electrical Engineering, Amirkabir University of Technology, Tehran, Iran

Abstract

Najvažnija korist virtualizacije je dobivanje okruženja s ujednačenim opterećenjem kroz prenošenje (migraciju) virtualnim strojem (VM). Djelovanje usluga u skupinama (klasterima), kao što je prosječno vrijeme reakcije - Average Response Time - reducirano je inteligentnom odlukom VM o prenošenju. Prenošenje ovisi o nizu kriterija poput korištenja resursa (uporaba CPU, korištenje RAMa, korištenje mreže, itd.) i potrebe za strojevima (fizičkim (PM) i virtualnim (VM)). To je više- kriterijski problem prenošenja koji procjenjuje, komparira i sortira niz fizičkih i virtualnih strojeva (PM i VM) na osnovu parametara istaknutih u procesu prenošenja. Ali, koji parametar (parametri) ima dominantnu ulogu nad djelovanjem klastera u određenom vremenskom odjeljku? Kako možemo odrediti težinu parametara u nadolazećim vremenskim razmacima? Postojeći algoritmi prenošenja (migration algorithms) ne uzimaju u obzir težine parametara koje se mijenjaju ovisno o vremenu. Te analize pretpostavljaju fiksnu težinu za svaki parametar kroz široki raspon vremenskih intervala. To dovodi do netočnog predviđanja o traženju rješenja za svaki server. U našem se radu predstavlja novi Inteligentni i Adaptivni Multi Parametarski (IAMP) upravljač resursima na bazi prenošenja (migracije) za virtualizirane centre podataka i klastere s novom na umjetnoj neuronskoj mreži (ANN) temeljenoj analizi težina nazvanoj Error Number of Parameter Omission (ENPO). U svakom se vremenskom razmaku težina parametara ponovo izračunava te će nevažni parametri biti oslabljeni u postupku rangiranja. Obilježili smo parametre koji utječu na performansu klastera i koristili hot migration s naglaskom na skupini servera u XEN platformi virtualizacije. Eksperimentalni rezultati temeljeni na radnim opterećenjima sastavljenim od stvarnih aplikacija pokazuju da je primjenom IAMP-a moguće poboljšati rad virtualnog klaster sustava do 23 % u usporedbi s postojećim algoritmima. Što više, on brže reagira i eliminira vruće točke zbog svog potpuno dinamičkog upravljačkog algoritma.

Keywords

ANN (umjetna neuronska mreža); dinamička težina parametra; uravnoteženje opterećenja; virtualna skupina servera

Hrčak ID:

126071

URI

https://hrcak.srce.hr/126071

Publication date:

15.8.2014.

Article data in other languages: english

Visits: 2.201 *