یک مدل برنامه ریزی خطی و الگوریتم آموزش-یادگیری تطبیقی برای بهینه سازی مصرف انرژی، زمان انتظار و حجم کار در مراکز داده رایانش ابری

رایانش ابری، مدلی محاسباتی بر پایه شبکه های رایانه ای مانند اینترنت است که الگویی تازه برای عرضه، مصرف و تحویل خدمات رایانش با به کارگیری شبکه ارائه می دهد و به عنوان یک واقعیت تجاری غیرقابل چشم پوشی مطرح می باشد. رشد سریع تقاضا برای استفاده از منابع محاسباتی ابری توسط مراکز داده بزرگ، موجب مصرف مقادیر بالای انرژی و در نتیجه افزایش هزینه عملیاتی و افزایش تولید دی اکسید کربن شده است. افزایش تولید دی اکسیدکرین، باعث ایجاد یک نیاز فزاینده به پردازش سبز یعنی کمینه کردن مصرف انرژی با توجه به منابع موجود شده است. در این مقاله برای اولین بار به کمینه کردن مصرف انرژی در مراکز داده دارای صف های انتظار چند سطحی پرداخته می شود و یک مدل برنامه ریزی خطی پویا با هدف کاهش انرژی، زمان و مصرف بهینه حافظه ارائه می گردد. مدل های برنامه ریزی خطی هرچند بهترین جواب بهینه ممکن را بر می گرداند اما با مشکل پیچیدگی زمانی بالا و حل غیرقابل قبول مخصوصا هنگامی که مسئله متغیرهای زیادی دارد روبرو هستند. بنابراین در این پژوهش از یک الگوریتم بهینه سازی تطبیقی برای حل این مشکل استفاده شده است. الگوریتم آموزش-یادگیری تطبیقی به عنوان الگوریتمی با نیاز کمتر به پارامترهای کنترلی و زمان اجرای قابل قبول، قادر به یافتن جوابی بهتر نسبت به دیگر الگوریتم های بهینه سازی مانند الگوریتم ژنتیک است.

Keywords:

رایانش ابری , تخصیص بهینه منابع , برنامه ریزی خطی , زمان بندی وظایف , الگوریتم بهینه سازی , آموزش-یادگیری تطبیقی