ارائه یک روش زمانبندی وظیفه تحمل‌پذیر خطا به منظور استفاده بهینه ازمنابع در محیط رایانش ابری

نوع مقاله: مقاله پژوهشی

نویسندگان

دانشگاه جامع امام حسین(ع)

چکیده

در سال‌های اخیر رایانش ابری در حال تبدیل شدن به یک فناوری مهم در حوزه‌ی فناوری اطلاعات است. در محیط رایانش ابری احتمال بروز خطا وجود دارد. روش‌های متفاوتی برای مقابله با خطاها وجود دارد ولی با توجه به ویژگی‌ها و خصوصیت‌های محیط رایانش ابری، استفاده از روش‌های تحمل‌پذیری خطا بهترین انتخاب برای مقابله با خطا در این محیط است. یکی از بزرگ‌ترین مسئله‌ها در روش‌های تحمل‌پذیری خطا، استفاده بهینه از منابع است. استفاده بهینه از منابع هم برای فرآهم‌آورندگان سرویس‌‌های ابری و هم برای مشتریان سرویس‌‌های ابری دارای اهمیت زیادی است. متأسفانه استفاده بهینه از منابع در روش‌های تحمل‌پذیری خطا در رایانش ابری، خیلی مورد توجه پژوهشگران و فرآهم آورندگان سرویس‌‌های ابری قرار نگرفته است. در این مقاله سعی شده است با در نظرگرفتن وابستگی بین وظایف، یک روش تحمل‌پذیری خطا بر روی ماشین‌های مجازی ارائه شود که علاوه بر تحمل‌پذیر بودن در برابر خطا، به بهینگی در استفاده از منابع نیز دست یابد. در این روش با استفاده از یک زمانبند اولویت‌دار، به هر یک از وظایف یک اولویت اختصاص داده می‌شود. سپس وظایف به ترتیب اولویت­شان جهت پردازش به ماشین‌های مجازی فرستاده می‌شوند. نتایج حاصل از شبیه‌سازی روش پیشنهادی توسط شبیه‌ساز کلاودسیم نشان می‌دهد که روش پیشنهادی نسبت به روش تکرار توانسته است بهینگی بیشتری در استفاده از منابع را به ارمغان بیاورد و با ضریب اطمینان 95 درصد، به 15/29% و 74/22% بهبود در استفاده از تعداد پردازنده و 76/30% و 22.34% بهبود در استفاده از حافظه و 71/29% و 88/22% بهبود در استفاده از پهنای باند دست یافته است.

کلیدواژه‌ها


     [1]        H. Kaur and A. Kaur, “A Survey on Fault Tolerance Techniques in Cloud Computing Envirenment,” International Journal of Scientific Engineering and Applied Science, vol. 1, 2015.##
     [2]        M. Cheraghlou, A. Khadem-Zadeh, and M. Haghparast, “A Survey of Fault Tolerance Architecture in Cloud Computing,” Journal of Network and Computer Applications, pp. 81-92, 2015.##
     [3]        S. Prathiba and S. Sowvarnica, “Survey of Failures and Fault Tolerance in Cloud,” 2nd International Conference on Computing and Communications Technologies (ICCCT), 2017.##
     [4]        K. Plankensteiner et al, “Fault-Tolerant Behavior in State of the Art Grid Workflow Management Systems,” CoreGRID Integration Workshop, Integrated Research in Grid Computing, 2008.##
     [5]        Y. Liu and W. Wei, “A Replication-Based Mechanism for Fault Tolerance in Mapreduce Framework,” Mathematical Problems in Engineering, pp 1-7, 2015.##
     [6]        S. Malik and F. Huet, “Adaptive Fault Tolerance in Real Time Cloud Computing,” IEEE World Congress on Services, 2011.##
     [7]        A. D. Meshram, A. Sambare, and S. Zade, “Fault Tolerance Model for Reliable Cloud Computing”, International Journal on Recent and Innovation Trends in Computing and Communication, vol. 1 pp. 600-603, 2013.##
     [8]        X. Zhu et al, “Fault-Tolerant Scheduling for Real-Time Scientific Workflows With Elastic Resource Provisioning in Virtualized Clouds,” in IEEE Transactions on Parallel and Distributed Systems, 2016.##
     [9]        X. Zhu, X. Qin, and M. Qiu, “QoS-aware Fault-Tolerant Scheduling for Real-Time Tasks on Heterogeneous Clusters,” in IEEE Transactions on Computers, 2011.##
  [10]        T. Altameem, “A Replication-Based and Fault Tolerant Allocation Algorithm for Cloud Computing,” International Journal of Computer Science Engineering and Technology, vol. 4, pp. 395-399, 2014.##
  [11]        R. Al-Omari, A. K. Somani, and G. Manimaran, “Efficient Overloading Techniques for Primary-Backup Scheduling in Real-Time Systems,” Journal of Parallel and Distributed Computing, vol. 64, pp. 629-648, 2004.##
  [12]        S. Ghosh, R. Melhem, and D. Mossé, “Fault-tolerance through scheduling of aperiodic tasks in hard real-time multiprocessor systems,” in IEEE Transactions on Parallel and Distributed Systems, 1997.##