لایه انتزاع سرویس ابر: درخواستهای سرویس بوسیله کاربر نهایی تولید میشوند. لایه انتزاع سرویس ابرسیگنال تولیدشده را برای انتخاب گروه خاصی از سرویسها دریافت می کند. این لایه شامل همه منطقها برای دریافت و انتخاب درخواستهای مبتنی بر کاربر است. درخواستهای نهایی به مدیر منبع فرستاده میشوند. مدیر منبع قادر به پاسخگویی به درخواست میزبان است. سرویسهای ابری با هم در زیرسیستمها بر مبنای دید معنایی از هر سرویس مرتب میشوند. بسیاری سرویسها یک بخش مجزا از عملیات را کپسوله می کنند، در واقع هر سرویسی به عنوان یک واسط مشخص عمل می کند. در این لایه مشخص میگردد که آیا سرویس در دسترس هست یا نه.
(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))
لایه مدیر منبع: مدیر منبع خروجیها را از لایه اول دریافت می کند. مدیر منبع نقش مهمی را در متد انتخاب منبع ابری ایفا می کند، مدیر منبع به سیستم اجازه تحلیل، تخمین، به کارگیری و نظارت بر سرویسهای ابر را میدهد و منابع را به روشی که از لحاظ هزینه مقرونبهصرفه باشند مورد استفاده قرار میدهد. یکی از مولفههای لایه مدیر منبع مدیر درخواست[۱۵] است. این مولفه درخواست سرویس را مدیریت و سرویس مناسب را انتخاب می کند، انتخاب سرویس مناسب بوسیله سرویس شاخص صورت میگیرد. سرویس شاخص درباره سرویسها و کلاستر متناظر آن سرویس اطلاعاتی را ذخیره می کند. کلاستر گروهی از انواع خاصی از منابع داخل یک ابر است که به عنوان یک زیر ابر عمل می کند.
همه سرویسها داخل سرویس شاخص۲ لیست میشوند. شاخصگذاری به جستجوی سرویس در شبکه ابری کمک می کند، سپس کاربر نهایی به کلاستر مناسب هدایت می شود و بعد مدیر منبع، منابع مختص کلاستر را جستجو می کند. کاربر نهایی به منابع از یک کلاستر خاص با بهره گرفتن از درخواست سرویس به مدیر منبع دسترسی پیدا می کند. این درخواستها منابع کلاستر خاصی را که بوسیله شاخص کلاستر کنونی ابر مشخص شده بر میگردانند. شاخص کلاستر دارای اطلاعاتی درباره تعداد منابع موجود در کلاستر، نوع منابع و انتخاب توازن بار یا بهاشترکگذاری بار است. هر درخواستی مانند درخواست پردازشگر و حافظه یک سربار مدیریتی خاص خود را در عملیات دارد و این مهم است که درصد استفاده از منابع دارای معیاری برای اندازه گیری باشند. در این لایه انتخاب کلاستر و تعیین انتخاب توازن بار یا بهاشترکگذاری بار صورت میگیرد.
لایه توازن بار و بهاشتراکگذاری بار: توازن بار به معنای توزیع بارکاری بین دو یا چند منبع در یک ابر است. مدیر منبع ترافیک شبکه ای را که از یک کلاستر می آید جدا می کند، یعنی در واقع به آن انشعاب میدهد و سیگنال را به منابع مختلف منتقل می کند. منظور از ترافیک شبکه جریان داده از طریق اینترنت است. اگر بار غیر مساوی در ابر وجود داشته باشد سرویس به صورت معکوس با توجه به هزینه منابع توزیع می شود و این به معنای آن است که مسیری که هزینه پایینتری دارد برای ترافیک بیشتر انتخاب می شود و مسیری که هزینه بیشتری دارد به آن ترافیک کمتری فرستاده می شود. به عبارت دیگر توازن بار به معنای توزیع ترافیک بصورت پویا و هموار در بین منابع مختلف برای اجتناب از ازدحام شبکه و یا انتشار است. ازدحام به معنای این است که پهنای باند کافی برای حمایت از ترافیک شبکه موجود نباشد. توازن بار مکانیزمی است که به مؤثر شدن ابر کمک می کند و بار ابر را به صورت هموار در یک کلاستر توزیع می کند. بهاشتراکگذاری زمانی استفاده می شود که تعداد منابع زیاد باشند و بار تقریبا مساوی در ابر وجود داشته باشد.
لایه تخصیص منبع: این لایه چک می کند که آیا منابع در دسترس هستند یا نه؟ چنانچه منابع مورد نیاز در دسترس نباشند، درخواست در صف قرار میگیرد تا منابع آزاد شوند. جزئیات جریان کاری چارچوب انتخاب منبع مبتنی بر سرویس در شکل ۳-۲ ارائه شده است.
شکل ۳-۲: جریان کاری چارچوب انتخاب منبع مبتنی بر سرویس ]۵[.
۳-۴ مشکلات تخصیص منبع
در محاسبات ابری، زیرساخت اغلب به صورت ناهمگون است، به این معنا که ابزارهای کاربردی مختلف نیازهای محاسباتی مختلفی چه از نظر سختافزاری و چه از نظر نرمافزاری دارند. از طرفی منابع بیشماری در زیرساخت ابر وجود دارند که نیاز به مدیریت دارند. به منظور فراهم کردن کیفیت سرویس بهتر، منابع برای کاربران و یا در حقیقت برای ابزارهای کاربردی کاربران از طریق مکانیزم های توازن بار، دسترسی بالا، امنیت و تعیین اعتبار فراهم میشوند. برای ماکزیمم کردن سودمندی ابر باید ظرفیت نیازهای ابزارهای کاربردی محاسبه شوند. مدیریت منابع در مقیاسی بزرگ و فراهم کردن انزوای کارایی و استفاده مؤثر از سختافزار مشکل اساسی برای هر نرمافزار مدیریت ابر است. در یک دستهبندی میتوان مشکلات زیر را در رابطه با مدیریت منبع مطرح کرد ]۶[.
مدیریت موجودی ابر: با افزایش سایز ابر سربار در جمعآوری، تحلیل و عملیات برای داده های مرتبط افزایش مییابد. مدیریت موجودی ابر در مقیاس بزرگ نیاز به جداسازی و تجزیه خوب وظایف و قفل کردن خوب اشیاء مختلف در ابر دارد، بنابراین روشهایی که افزایش و کاهش سریع منابع را حمایت می کنند برای برطرف کردن این مشکلات مناسبند.
ناهمگون بودن منابع و محیط: همچنان که مقیاس ابرها افزایش مییابد ناهمگون بودن آنها نیز افزایش مییابد. یکی از دلایل ایجاد ناهمگونی در محیط این است که فراهمکنندگان ابر ماشینهایی را در طول زمان اضافه می کنند و باعث بوجود آمدن همزیستی چند نسل سختافزاری و نرمافزاری و یا ابزارهای کاربردی نامتناجس در ابر می شود.
فرکانس (تناوب) عملیات: با افزایش مقیاس، تعداد کاربران و فرکانس عملیات مدیریتی افزایش یافته است.
استقامت در برابر شکست: همچنان که مقیاس ابر افزایش میابد، تاثیر شکست در مولفه مدیریت منبع افزایش میابد. شکست به معنای این است که کاربر نتواند ماشینهای مجازی بیشتری را روشن کند یا تنظیمات استخر منبع را تغییر دهد. همچنین با افزایش مقیاس، شکست سختافزاری هم زیاد می شود. سیستم مدیریت منبع باید مستحکم باشد و هر شکست مولفهای را سریع مدیریت کند.
مشکلات مطرح شده مربوط به ماهیت مقیاسپذیری محیطهای ابری است، اما علاوه بر مقیاسپذیری مسائلی نظیر ناهمگونی سیستمها، محدودیت ناسازگاری بین ماشینهای مجازی و سختافزارها، جزیرههای منابع ساخته شده بوسیله منابع ذخیرهسازی و ارتباطات شبکه و مقیاس محدود منابع ذخیرهسازی نیز وجود دارند. با توجه به ماهیت مقیاسپذیر محیطهای ابری -که ممکن است در آن درخواستهای نامحدودی از طرف کاربران صورت گیرد- مشکلاتی از قبیل مقیاسپذیری منابع، تغییر تقاضا در طول زمان و نامتجانس بودن منابع می تواند مشکلاتی در تخصیص منابع ایجاد کند. یک راهحل مدیریت منبع موفق باید دارای مجموعه ای غنی از کنترلهای منبع برای ایزولهسازی کارایی، جایگذاری اولیه مناسب، توازن بار موثر برای دستیابی به استفاده موثر از منابع، کسب رضایت کاربران، کاهش مصرف انرژی، کاهش هزینه و ارائه به موقع سرویس یا کاهش تاخیر باشد، بنابراین انتظار میرود روشها و الگوریتمهایی ایجاد شوند که این نیازها را برطرف کرده و قابل اعمال در همه محیطهای ابری باشند.
۳-۵ روشهای تخصیص منبع
در محاسبات ابری تعداد زیادی منبع مجازی شده اند و سپس به عنوان سرویس در اختیار کاربران قرار میگیرند. برای مدیریت منابع (تهیه و تخصیص منابع) روشهای بسیاری وجود دارد که انتخاب یکی از آنها به ترجیحات فراهمکننده ابر، الگوی استفاده و تقاضای کاربر بستگی دارد. از جمله روشهای مطرح شده میتوان به روشهای مبتنی بر توافقنامه سطح سرویس، روشهای بازارگرا، روشهای مبتنی بر قانون و روشهای مبتنی بر کاهش مصرف انرژی اشاره کرد. هدف همه این روشها شناسایی لیستی از منابع مورد نیاز بر حسب تقاضا، شناسایی لیست منابع در دسترس، تهیه سایر منابع مورد نیاز کاربر و انتخاب و تخصیص بهترین منابع است. در ادامه برخی روشهای نام برده معرفی شده و برخی مقالات مرتبط با هر یک شرح داده شده است.
۳-۵-۱ تخصیص منبع مبتنی بر کاهش مصرف انرژی
رشد سریع تقاضا برای قدرت محاسباتی سبب ایجاد مرکز دادههایی در مقیاس بزرگ شده است. این مرکز داده ها حجم زیادی از قدرت الکتریسیته را استفاده می کنند و باعث افزایش هزینه های عملیاتی، انتشار دیاکسیدکربن، کاهش قابلیت اعتماد سیستم و کاهش چرخه حیات دستگاهها بدلیل گرمای زیاد میشوند. محیطهای محاسبات ابری نیاز دارند تا سرویسهایی با کیفیت بالا برای مشتریانشان فراهم کنند که هم مصرف انرژی آنها کم باشد و هم کارایی بالایی داشته باشند. توازن بار، RoundRobin و الگوریتمهای حریصانه ]۹[ برخی از مکانیزم های تخصیص منبع در مرکز داده ها هستند. یکی از روشهایی که سبب کاهش مصرف انرژی بوسیله مرکز داده ها می شود به کارگیری تکنولوژی مجازیسازی است که در فصل اول تعریف آن ارائه شده است. در بیشتر الگوریتمهای مطرح شده برای این دسته، از مفهوم مهاجرت زنده ماشینهای مجازی استفاده شده است، به این معنا که ماشینهای مجازی از سروری با بار کاری کم به سروری با بار کاری زیاد انتقال مییابند. در ]۱۰[ از مهاجرت زنده ماشینهای مجازی به همراه تخصیص مجدد پویای ماشینهای مجازی برای کاهش مصرف انرژی استفاده شده است. در الگوریتم معرفی شده تخصیص ماشینهای مجازی به دو فاز تقسیم شده است که در ادامه بیان شده اند.
پذیرش درخواست جدید برای تهیه منبع و جایگذاری ماشینهای مجازی روی میزبان: برای حل آن الگوریتم تغییر کاهش بهترین حالت[۱۶] ارائه شده است که در واقع توسعه یافته کاهش بهترین حالت (BFD) است، در MBFD همه ماشینهای مجازی به صورت نزولی بر اساس سودمندی فعلی مرتب میشوند، سپس هر ماشین مجازی به یک میزبان که حداقل افزایش مصرف انرژی را در زمان نصبش دارد تخصیص داده می شود.
بهینهسازی تخصیص منبع فعلی ماشینهای مجازی: این کار در دو مرحله صورت میگیرد. مرحله اول انتخاب ماشینهای مجازی که نیاز به مهاجرت دارند میباشد و مرحله دوم قرار دادن ماشینهای مجازی انتخاب شده با بهره گرفتن از MBFD روی میزبانها میباشد. برای انتخاب ماشینهای مجازی که باید برای مهاجرت انتخاب شوند چهار هیورستیک و سه سیاست مختلف نیز ارائه شده است ]۱۰[.
در ]۹[ و ]۱۱[ جابجایی بارکاری به عنوان متد اصلی در نظر گرفته شده است و فرمولهایی برای بررسی میزان مصرف انرژی هسته پردازشی، حافظهاصلی، هارد دیسک و مادربورد ارائه شده است و در نهایت انرژی برای سرور، شبکه و مرکز داده محاسبه شده است. در ]۹[ الگوریتم F4G-CS اولیه بر مبنای پروژه FitforGreen ارائه شده است (شکل ۳-۳) و بعد در الگوریتم F4G-GS بهبود داده شده است. F4G-GS دو فاز اصلی دارد. در اولین فاز ماشینهای مجازی از سرورهای با بار کم به سرورهای با بار زیاد انتقال مییابند (مهاجرت زنده) و سرورهایی که آزاد هستند میتوانند خاموش شوند. در فاز دوم ماشینهای مجازی از سرورهای قدیمی به سرورهای مدرن منتقل میشوند و سرورهای قدیمی میتوانند خاموش شوند. در حقیقت در الگوریتم بهبودیافته از این حقیقت استفاده شده است که مولفههای جدید سیستمها و سرورهای جدید انرژی کمتری استفاده می کنند و بهتر است که ابزارهای کاربردی با بار سنگین را به سرورهای جدید با تعداد هستههای بیشتر انتقال داده شده و سرورهای قدیمی خاموش شوند تا انرژی بیشتری ذخیره شود.
| F4G-CS (Traditional single algorithm) |
| //When a new VM comes, the F4G-CS algorithm will check all computing nodes to find the suitable node using the least amount of energy. { Determine all servers meet the constraint and store in array A IF (the array A is empty) THEN stop the algorithm and inform no solution Set index i at the beginning of the array A Calculate energy consumption Ei of the data centre if the VM is deployed on the server at array index i Store (i, Ei) in a list L Increase i to the next index of A Repeat from Step 3 to Step 5 until i goes out of the scope of A Determine min Ei in the list L Assign the VM to the server at index imin IF )server at index imin is OFF( THEN put action turn ON to action list //It is noted that Ei is calculated for servers having workload. The server without workload will be shutdown } |
شکل ۳-۳: الگوریتم F4G-CS ]9[.
تخصیص منبع مبتنی بر کاهش مصرف انرژی سبب ایجاد مفهوم ابر سبز[۱۷] شده است و برای آن یک چارچوب نیز تعریف شده است ]۱۲[. با توجه به چارچوب دو بخش بسیار مهم وجود دارد که میتوانند سبب بهبود مصرف انرژی شوند که در ادامه بیان شده اند.
بخش زمانبندی: به منظور بهبود عملکرد پایهای ماشینهای مجازی در ابر دو نوع سیستم زمانبندی سبز شامل زمانبندی مبتنی بر حرارت۲ و زمانبندی مبتنی بر مصرف انرژی۳ وجود دارد که در ]۱۲[ روش زمانبندی مبتنی بر مصرف انرژی بررسی شده است.
بخش مدیریت تصویر ماشینهای مجازی: برای تصویر ماشینهای مجازی پیشنهاد شده است که زمان بوت شدن سیستم عامل از طریق تغییر ترتیب بوت شدن ماژولها و حذف ماژولهای غیر ضروری مثل windowsmanager کاهش داده شود تا سودمندی CPU و گذردهی ورودی/خروجی افزایش یابد.
