اعتبار با قیمانده باضافه اعتبار موجود ارائه داده اند. همچنین الگوریتم بهینه سازی جهت زمانبندی توزیع عادلانه ورودی/خروجی ارائه دادند. اما این زمانبندی توجهی به مسئله بار کاری و تخصیص مجدد ماشین های مجازی ندارد .
زمانبند کار- آگاه34 برروی توسعه عملکرد ورودی خروجی تاکید می کند [33] .این زمانبند توجهی به مکانیزم های بار کاری ناهمگن و وزن های مختلف ندارد. همچنین تلاش خود را بر بهره برداری بر پایه اطلاعات ورودی خروجی متمرکز می کند و تصمیمی راجع به ماشین های مجازی میهمان نمی گیرد.
زمانبند S [34] دانش برنامه های کاربردی زمان واقعی35 را جهت پشتیبانی از زمان پاسخگویی زمانبندی می کند. در این مقاله به جای قرار دادن پردازنده مجازی در انتهای صف اجرایی , آنها وضعیتی را محاسبه می کنند که پردازنده مجازی برپایه تاخیر درج می شود .
Liao و همکاران [35] یک مجازی سازی I/O کارا را برای سیستم های شبکه ای پیشنهاد دادند . این کار بوسیله زمانبند برپایه cache و اعتبار باقیمانده درایو I/O برنامه ریزی شده است.
VSched [36] ماشین های مجازی را با استفاده از مدل برنامه ریزی دوره ای زمانبندی کرد که می تواند براساس بارکاری و زمان واقعی بصورت موازی اجرا شود.
تمامی این کارهای ذکر شده تشخیص داده اند که زمانبندی ماشین مجازی تاثیر زیادی روی زمان پاسخگویی I/O دارد.
2-3-مدیریت انرژی در مرکز داده اینترنت IDC 36
تحقیقات متعددی بر روی مدیریت انرژی سرورها و IDC انجام شده است.. به طور معمول ما می توانیم این راه حل ها را به چهار دسته منحصر به فرد با توجه به ویژگی های متفاوتشان دسته بندی کنیم .[37] اولین دسته مدیریت انرژی اهداف و محدودیت ها است که به موازنه بین عملکرد و صرفه جویی در انرژی می پردازد. از قبیل اینکه آیا نقض انرژی اجازه داده می شود یا خیر و یا اینکه برای عملکرد محدودیتی می توان در نظر گرفت یا خیر. دومین دسته می تواند مرتبط با دامنه و دانه دانه بودن برنامه است. بعنوان مثال تعدادی از این راه حل ها بهترین عملکرد را در سیستم های تعبیه شده37 (ES) را داشته باشند در حالیکه راه حل های دیگر در سطح مرکز داد38ه(DCL) موثر تر هستند. اگر ما سیاست های مدیریتی متفاوت در سخت افزار را مقایسه کنیم متوجه می شویم که حتی این راه حل ها در سطح پایین محدود می شوند البته می توانند به اجزای سیستم دسترسی بهتری داشته باشند و زمان دانه دانه کردن کوتاهتری نسبت به راه حل سطح نرم افزار داشته باشند. دسته بندی سوم بوسیله روشهای مورد استفاده مشخص می شود از جمله روش سرور محلی , زمانبندی توزیع شده و یا روشهای تثبیت ماشین مجازی. آخرین دسته از راه حل ها بوسیله راه حل های مدیریت انرژی استفاده می شود از جمله DVFS و یا خاموش/روشن کردن اجزای سیستم ها و یا خواب دستگاهها.
DVFS ولتاژ پویا/ مقیاس فرکانس :یکی از کلیدهای تنظیم انرژی سرور می باشد. Horvath و همکاران [38] مطالعه کردند که چطور ولتاژ سرور را بصورت پویا برای حداقل کردن مصرف انرژی کل سیستم تنظیم کنند . Heo و همکاران [39] اخیرا مطالعه کردند تا راهی جهت ترکیب DVFS و خاموش/روشن کردن سرور بیابند تا بدین و سیله مصرف انرژی را کاهش دهند. در [40] نویسندگان راه حل های پوشش انرژی رامطالعه کردند و تضمین کردند که سیستم نمی تواند آستانه انرژی داده شده را نقض کند.. در [41] Barrsos و همکاران چگونگی استفاده از تراشه چندپردازنده ای(CMP) را برای مدیریت موفق انرژی مطالعه کردند. در [42] Nedevschi و همکاران روی چگونگی حداکثر کردن صرفه جویی در شبکه برق با استفاده از روش خواب و انطباق سرعت کار کردند. پس از این راه حل های منحصر بفرد که به جنبه های مختلف مشکل مدیریت انرژی IDC پرداخته شد Raghavendra و همکاران یک معماری هماهنگ جهت تنظیم روشهای مختلف در مدیریت انرژی چند سطحی پیشنهاد کردند.[37]
2-4 -مدیریت انرژی ماشین مجازی و مهاجرت
در IDC دو نوع تکنولوژی مجازی سازی استفاده می شود که اخیرا زیاد مطالعه روی آنها صورت گرفته است.
یکی تکنولوژی مجازی سازی کامل39 هست مانند VmWare [43]. در غیر اینصورت بعنوان مجازی سازی بومی40 شناخته می شود. روش مجازی سازی کامل شامل مجازی سازی کل سخت افزار یک ماشین است. سپس هر محیط مجازی در سیستم عامل خود و هسته مربوط به خود اجرا می شود. در یک محیط مجازی هسته یک سیستم عامل مهمان دسترسی مستقیم به پردازنده فیزیکی ندارد , بنابرین دستورالعمل های خاصی باید تغییر کنند یا جایگزین شود, تا اینکه شناخت صحیحی بین سیستم عمل مهمان و پردازنده فیزیکی بوجود بیاید. این تغییر دستورالعمل ها قبلا توسط نرم افزار انجام می شدند و خود سیستم عامل نقشی در این کار نداشت. بنابراین محیط های مجازی خیلی کارآمد نبودند و سربار بسیار زیادی داشتند . از طرف دیگر Para Virtualization تکنیک محبوبی است که شباهت زیادی به مجازی سازی کامل دارد. در روش para virtualization نیازی به پشتیبانی سخت افزاری نیست, در عوض با تغییر هسته سیستم عامل کارآیی آنرا افزایش می دهند. به این ترتیب هسته یک سیستم عامل بگونه ای تغییر داده می شود که بتواند به خوبی در یک محیط مجازی عمل کند. این روش از یک Hypervisor جهت دسترسی به سخت افزار زیرین بوسیله ادغام کد مجازی سازی در سیستم عامل ها استفاده می کند.. یک محصول از این نوع مجازی سازی XEN [44] می باشد.
در حالی که استراتژی های مدیریت های مختلف جهت کاهش مصرف انرژی سرور بوسیله انتقال وضعیت اجزای سخت افزاری به وضعیت کم انرژی41 توسعه یافته اند آنها نمی توانند بصورت مستقیم برای مراکز داده امروزی که بر تکنولوژی مجازی سازی تکیه دارد به کار گرفته شوند. در [45] Chen و همکاران استراتژی کنترل روشن/خاموش 42را به منظور بهینه سازی و صرفه جویی در انرژی با سطوح عملکرد مورد نظر پیشنهاد دادند . Nathuji و همکاران [46] مدیریت انرژی بروز 43 برای پشتیبانی از عملیات استقلال 44و انزوا45 ی ماشین های مجازی اجراشده روی سکوی 46 مجازی سازی شده و بطور کلی ایجاد هماهنگی استراتژی های مدیریت انرژی متفاوت جهت ارائه منابع مجازی به ماشین های مجازی را ارائه داده اند.
در تحقیق اخیر Sapuntzakis و همکاران [47] مهاجرت ماشین بعنوان یک ابزار برای فراهم کردن ابزاری برای ارائه به کاربران جهت کار بر روی ماشین های فیزیکی مختلف در زمان های مختلف پیشنهاد شد.
در سال های اخیر تحقیقات زیادی در مرکز داده های کلود برای برنامه ریزی انرژی منابع شده است که به طور مختصر به آن می پردازیم.
Wei Liu و همکاران [48] یک الگوریتم زمانبندی کارها برپایه خوشه بندی 47با نام EPBTDCS ارائه دادند که هم می تواند موجب صرفه جویی در مصرف انرژی شبکه شود و هم مصرف انرژی ارتباطات را در هنگام تخصیص وظایف موازی تا گره ها را محاسبه کند. در این کار از موازی سازی کارها روی هر گره استفاده شد.
Dhiman و همکاران [49]یک سیستم نرم افزاری چند لایه ای به نام v-Green را برای مدیریت انرژی ماشین های مجازی در محیط مجازی خوشه ای پیشنهاد دادند.
ایده ی اصلی v-Green اتصال خصوصیات VM به نحوه ارتباطات ماشین های مجازی روی میزبان ها برای برنامه ریزی میزبان و تصمیم گیری های مدیریتی برای دستیابی به عملکرد بهتر بهره وری انرژی و تعادل قدرت است.
Goiri و همکاران [50] یک سیاست زمانبندی پویای کار48 جهت تخصیص منابع انرژی آگاه در مرکز داده های ابر پیشنهاد دادند زمانبندی پیشنهادی آنها سعی در تثبیت بارکاری داشت به این نحو که وظایف سنگین دستگاههای جداگانه را با سخت افزارهای مورد نیاز به منظور حفظ کیفیت خدمات پیوند می دهد که در واقع این رویه هم با خاموش کردن سرورها باعث کاهش مصرف انرژی در مرکز داده ها میشود.
Liao و همکاران [51]یک طرح جدید را با عنوان مغناطیس49 ارائه دادند که برای مهاجرت ماشین های مجازی استفاده می شود که از ماشین های مجازی برای انتقال بار در میان گره ها در پوشش چندلایه ای مبتنی بر حلقه استفاده میکند این طرح تا حد زیادی مصرف انرژی را بوسیله پشتیبانی گره های خوشه بعنوان یک فضای مجازی کلی کاهش می دهد که می توان آن را برای سرور های همگن50 و ناهمگن51 به کار برد.
Choon Lee و همکاران [52] دو فن آوری هوشمند انرژی آگاه برپایه تثبیت با هدف حداکثر استفاده از منابع را ارائه دادند وهر وظیفه را به یک منبع اختصاص می دهد. . در این طرح ها مصرف انرژی هردو نوع مراکز فعال و غیرفعال محاسبه می شود. هوشمندی این کار مربوط به این است که هر کار به ماشینی سپرده شود که انرژی مصرفی کنونی کمتری دارد. اجرای این کار به طور ضمنی یا صریح و بدون تخریب عملکرد و با در نظر گرفتن پارامترهای مهم دیگر برای یک مرکز داده مانند قابلیت اطمینان و یا اجرای پویا در مصرف انرژی انجام می شود.
اما افزایش نگران کننده مصرف انرژی در مراکز داده توجه بسیاری را به خود جلب کرده است و باعث شده که محققان مجموعه غنی از تحقیقات را جهت توسعه و طراحی الگوریتمهای انرژی آگاه به کار گیرند. در حال حاضر پژوهشهای مختلفی جهت بهینه سازی مصرف انرژی کل مراکز داده چه در سطح سخت افزاری و چه در سطح نرم افزاری انجام می شود.
DVFS یک متد پیاده سازی شده جهت بهینه سازی مصرف انرژی سرور براساس تنظیم فرکانس Cpu به ازای بارهای کاری متفاوت است. بسیاری از سیستم عامل های مدرن , درایوهای نرم افزاری را برای پشتیبانی سخت افزاری از DVFS پیاده سازی می کنند.
Kim و همکاران یک سیاست زمانبندی قدرت آگاه را برای کلاسترهای برپایه DVFS جهت اجرای مجموعه ای از وظایف 52 در مهلت تعیین شده پیشنهاد کردند . [53]
Meisner و همکاران متدی را پیشنهاد دادند که با نام خواب قدرت 53شناخته شد [54] .این متد مصرف انرژی سرور را بوسیله تاخیرهای کوچک در هنگام اجرای بار کاری بهینه می کند و سیستم بین حالت قدرت پایین و حالت فعال عملیاتی تغییر وضعیت می دهد.
Chase و همکاران یک الگوریتم برای به حداقل رساندن تعداد کل سرورهای فعال داخل خوشه براساس خاموش کردن ماشین هایی که بار کاری کافی روی آنها قرار ندارد. [55].
Moore و همکاران الگوریتم دما آگاه قرارگیری بارکاری روی مراکز داده را پیشنهاد دادند [56].
Tang و همکاران الگوریتمی برای استقرار وظایف سنگین به سرور بر اساس مکان فیزیکی آنها در مرکز داده پیشنهاد دادند [57]. همان گروه تحقیقاتی همچنین پیشنهاد کردند که یک شبکه حسگر در داخل مرکز داده برای جمع آوری اطلاعات حیاتی و توسعه مدل حرارتی انتزاعی بر اساس داده های حسگرناظر مستقر گردد [58].
رویکرد هزینه زمانبندی کار و مهاجرت به نحوی که جمع استفاده گره ها از منابع حداقل شود توسط Amir و همکاران ارائه شد [59] .
Srikantaiah و همکاران پیشنهاد دادند که کارها در محیط ابر برپایه استفاده منابع داده شده به سرور تثبیت شود [60] .کار آنها محیط مجازی ابر را پوشش نمی داد.
Heath و همکاران [61] یک متد برای مدل کردن مصرف قدرت بصورت پویا براساس cpu و دیسک و زیرقطعات شبکه ارائه کردند.
Bricher و همکاران یک مدل سیستم قدرت با استفاده از شمارنده عملکرد سخت افزاری برای مولفه های سیتم حیاتی پیشنهاد کردند [62] .
Karan و همکاران مدل رگرسیون خطی برای پیش بینی سطح مصرف قدرت ارائه کرده اند [63] , اما مدلسازی قدرت آنها تنها برای گره های فیزیکی کارایی دارد و ماشین های مجازی را تحت پوشش قرار نمی دهد.
Stoess و همکاران یک چارچوب مدیریتی قدرت در محیط با ماشین های مجازی چندلایه ای برای محاسبه و تخصیص منابع انرژی آگاه پیشنهاد کردند [64] .
Nathuji و همکاران قدرت مجازی54 را پیشنهاد دادند.که وضعیت قدرت

مطلب مشابه :  مقاله درمورد دانلودرگرسیون، ضریب تعیین، وفاداری مشتریان
دسته بندی : No category

دیدگاهتان را بنویسید