الگوریتم تخصیص اسلک آگاه به زمان و انرژی جهت زمانبندی موازی وظایف روی مراکز داده ابری

مسئله مدیریت انرژی، به عنوان یکی از نگرانی های اصلی در سیستم های رایانش ابری برای پشتیبانی از رشد سریع مراکز داده و مراکز محاسباتی محسوب می شود، به همین دلیل انرژی و متریک های کارایی به عنوان یک مسئله حیاتی در زمانبندی کاربردهای موازی مبتنی بر وظایف در سیستم های محاسباتی مانند مراکز داده ابری تبدیل شد. استراتژی های تکثیر، خوشه بندی و همچنین تکنیک مقیاس بندی پویای ولتاژ و فرکانس به صورت جداگانه، بر روی کاهش مصرف انرژی و نیز بهینه سازی پارامترهای کارایی مانند گذردهی و میکسپن متمرکز شده اند. در این مقاله، الگوریتم زمانبندی دوفازه آگاه به زمان و انرژی به نام EATSDCDD با استفاده از ترکیب دو استراتژی تکثیر و خوشه بندی و توزیع زمان اسلک، جهت زمانبندی گراف جهت دار بدون دور روی پروسسرهای مراکز داده ای با قابلیت مقیاس بندی پویای ولتاژ و فرکانس ارائه می دهیم. در فاز اول، با ترکیب هوشمند دو استراتژی تکثیر و خوشه بندی، بر روی کاهش میکسپن و انرژی مصرف شده پروسسرها جهت اجرای وظایف موجود در گراف جهت دار بدون دور در حالیکه گذردهی را در نظر می گیرد، متمرکز می شویم. ایده اصلی الگوریتم جهت کاهش حداکثری مصرف انرژی در فاز دوم ارائه شده است. بطوریکه پس از محاسبه زمان اسلک برای هر وظیفه و سپس تعیین مسیر بحرانی و مشخص کردن مجموعه وظایف وابسته در مسیرهای غیربحرانی، زمان اسلک را بین مجموعه وظایف وابسته غیر بحرانی موجود در یک کلاستر، توزیع کرده و سپس فرکانس پروسسرهای با قابلیت مقیاس بندی پویای ولتاژ و فرکانس را جهت اجرای مجموعه وظایف وابسته غیربحرانی موجود در یک کلاستر و نیز فازهای بیکاری و ارتباطات، بدون آنکه زمان اجرای وظایف افزایش یابد، به نسبت کاهش می دهیم. سرانجام یک مجموعه داده جهت تست، توسعه داده شده و پارامترهای مختلفی روی گراف جهت دار بدون دور تولید شده تصادفی برای ارزیابی و نشان دادن برتری و اثربخشی الگوریتم پیشنهادی EATSDCDD در مقایسه با الگوریتم های بر پایه تکثیر و خوشه بندی و الگوریتم های بر پایه تکنیک مقیاس بندی پویای ولتاژ و فرکانس تست می شود. در رابطه با مصرف انرژی و میکسپن، نتایج نشان دهنده این است که الگوریتم پیشنهادی می تواند ۸.۳% نسبت به الگوریتم PALS ، ۲۰% نسبت به الگوریتم PATC و ۱۰% نسبت به الگوریتم EATSDCD ذخیره سازی انرژی انجام دهد.

Keywords:

رایانش ابری , مصرف انرژی , تکنیک تکثیر , خوشه بندی