ارائه یک مکانیزم مقیاس‌خودکار زمان اجرا برای نرم افزارهای چندمستاجر

نویسندگان

دانشگاه علم و صنعت ایران

چکیده

نرم‌افزارهای چندمستاجر به دلیل نوسان بارکاری که متاثر از افزایش یا کاهش تعداد درخواست مستاجر‏ها و حجم منبع درخواستی آن‌ها است، نسبت به مقیاس‌خودکار نمونه‌های نرم‌افزاری اقدام می‌نمایند. هدف از مقیاس‌خودکار، بهره‌وری بهتر از منابع محاسباتی همراه با ارائه کیفیت سرویس مطلوب به مستاجرها است. رویکرد مقیاس‌خودکار درراه برآورده‌سازی هدف به کار گرفته‌شده خود با چالش‌هایی روبه‌رو است که این چالش‌ها متشکل از پیش‌بینی بارکاری، شناسایی کردن نیاز منابع درست مطابق بارکاری و چگونگی سیاست اتخاذی سیستم به‌منظور تخصیص منبع با کمترین هزینه است. در این مقاله با ارائه یک مکانیزم مقیاس‌خودکار زمان‌اجرا برای نرم‌افزارهای چندمستاجر راهکاری برای پاسخگویی به چالش‌های ذکرشده ارائه شده است. در ابتدا به دلیل عدم وجود تصویری جامع از سیستم زمان‌اجرا یک نرم‌افزار چندمستاجر، با توجه به شواهد یافت‌شده حاصل از بررسی‌ها و مطالعات گوناگون، به ارائه یک معماری برای سیستم زمان‌اجرا نرم‌افزار چندمستاجر پرداخته شده و مدل رایانش با سه دانه‌بندی برای مولفه‌ی نرم‌افزار چندمستاجر آن معرفی می‌گردد. سپس در ادامه با ارائه یک معماری برای مولفه ‌مقیاس‌خودکار سیستم‌ زمان‌اجرا نرم‌ا‌فزارهای چندمستاجر و به‌کارگیری زیرمولفه‌هایی با کارکردهای مناسب، جهت پاسخگویی به چالش‌های ذکرشده برای مقیاس‌خودکار اقدام می‌شود. به‌منظور ارزیابی، مکانیزم مقیاس‌خودکار ارائه‌شده در محیط شبیه‌ساز کلادسیم پیاده‌سازی شده و با جدیدترین کار مشابه در شرایط کاملاً یکسان مورد آزمایش و مقایسه قرار می‌گیرد.

کلیدواژه‌ها


  1. Q. Shao, “Towards Effective and Intelligent Multi-Tenancy
  2. SaaS,” Ph.D. Thesis, Arizona State University Tempe, AZ,
  3. USA, Jan 2011.
  4. N. Roy, A. Dubey, and A. Gokhale, “Efficient Autoscaling
  5. in the Cloud Using Predictive Models for Workload
  6. Forecasting,” IEEE International Conference on Cloud
  7. Computing (CLOUD), Washington DC, USA, July 2011.
  8. N. M. Calcavecchia, B. A. Caprarescu, E. Di Nitto, D. J.
  9. Dubois, and Dana Petcu, “DEPAS: a Decentralized.
  10. Probabilistic Algorithm for Auto-Scaling,” Computing 94,
  11. Sep. 2012.
  12. H. Alipour, L. Yan, and H. Abdelwahab, “Analyzing Autoscaling
  13. Issues in Cloud Environments,” 2014.
  14. C. Eddy, L. Rodero-Merino, F. Desprez, and A. Muresan,
  15. “Auto-scaling, Load Balancing and Monitoring in
  16. Commercial and Open-Source Clouds,” 2012.
  17. T. Lorido-Botran, J. Miguel-Alonso, and J. A. Lozano, “A
  18. Review of Auto-scaling Techniques for Elastic Applications
  19. in Cloud Environments,” Journal of Grid Computing,
  20. Springer 2014.
  21. M. Mao and M. Humphrey, “A Performance Study on the
  22. VM Startup Time in the Cloud,” The Fifth International
  23. Conference on Cloud Computing, IEEE Computer Society,
  24. Washington, DC, USA, 2012.
  25. F. Benevenuto, C. Fernandes, M. Santos, V. Almeida, J.
  26. Almeida, G. J. Janakiraman, and J. R. Santos, “Performance
  27. models for virtualized applications,” Workshops In Frontiers
  28. of High Performance Computing and Networking, Springer
  29. Berlin Heidelberg, Jan 2006.
  30. R. Han, L. Guo, M. M. Ghanem, and Y. Guo, “Lightweight
  31. resource scaling for cloud applications,” 12th IEEE/ACM
  32. International Symposium on Cluster, Cloud and Grid
  33. Computing (CCGrid), 2012.
  34. A. Kejariwal, “Techniques for Optimizing Cloud Footprint,”
  35. IEEE International Conference on Cloud Engineering,
  36. California, USA, March, 2013.
  37. M. I. Hossein, “Dynamic Scaling of a Web-Based
  38. Application in a Cloud Architecture,” Master Thesis, KTH
  39. Royal Institute of Technology, Stockholm, Sweden, Feb.
  40. L. Moore, K. Bean, and T. Ellahi, “A Coordinated Reactive
  41. and Predictive Approach to Cloud Elasticity,” The Fourth
  42. International Conference on Cloud Computing, GRIDs, and
  43. Virtualization, Valencia, Spain, 2013.
  44. D. Breitgand, E. Henis, and O. Shehory, “Automated and
  45. Adaptive Threshold Setting: Enabling Technology for
  46. Autonomy and Self-Management,” the 2nd International Conference on Automatic Computing, Turin, Italy, 2005.