فصلنامه تخصصی آرمان پردازش
فصلنامه تخصصی فناوری اطلاعات و ارتباطات

بهبود استفاده از منابع مراکز داده با استفاده از تکنیک خوشه بندی،منطق فازی و الگوریتم های تکاملی

نوع مقاله : مقاله پژوهشی

نویسندگان

مژده جهان بانی 1
سیدابراهیم دشتی 2
سام حمزه لو 3

1 دانشکده مهندسی کامپیوتر، موسسه آموزش عالی پاسارگاد، شیراز، ایران

2 دانشکده برق و کامپیوتر، واحد جهرم، دانشگاه آزاد اسلامی، جهرم، ایران

3 گروه مهندسی کامپیوتر، موسسه آموزش عالی پاسارگاد، شیراز، ایران

10.22034/apj.2026.2085844.1063
چکیده
محاسبات ابری امروزه به عنوان مدلی فراتر از سیستم‌های سنتی محاسبات توزیع‌شده (مانند Grid و Cluster) مطرح است که توانایی پاسخگویی به درخواست‌های پویا و نیازمندی‌های متنوع کاربران را دارد. با افزایش کاربران، نیاز به استقرار مکانیزم‌های مناسبی جهت توازن بار و زمانبندی کار احساس می‌شود. متعادل‌سازی بار برای توزیع یکنواخت حجم کار در سرورهای فیزیکی، جلوگیری از ازدحام منابع و بهبود عملکرد سیستم ضروری است. با توجه به درخواست کاربران جهت دریافت سرویس و لازمه ی ارائه پاسخ درست و به موقع و از سوی سرویس دهندگان و همچنین به دلیل محدود بودن منابع موجود در این محیط، نیاز به زمانبندی احساس میشود. در این مقاله رویکردی برای بهینه‌سازی مهاجرت ماشین مجازی، با ترکیب الگوریتم‌های ژنتیک و بهینه‌سازی کلونی مورچه‌ها برای عملیات زمان‌بندی منابع پیشنهاد شده است و از خوشه‌بندی K Means و منطق فازی برای تعیین کمیت وابستگی بین ماشین‌های مجازی و ماشین‌های فیزیکی جهت مهاجرت به منظور حفظ تعادل بار استفاده می‌کند. در این تحقیق مدل پیشنهادی با سه الگوریتم متعادل سازی بار در محیط شبیه سازی کلودسیم مقایسه شده است. در این ارزیابی مدل پیشنهادی ما به کاهش ۴.۵ درصدی در زمان انجام کار،افزایش ۴.۹ درصدی در نسبت موفقیت در مهلت مقرر،بهبود ۳.۹ درصدی در تنوع وظایف دست یافت.پیچیدگی محاسباتی ۸.۳ درصد کاهش یافت،راندمان مهاجرت ماشین مجازی ۲.۵ درصد بهبود یافت و تأخیر تصمیم گیری به طور قابل توجهی ۹.۵ درصد کاهش یافت و همچنین به صرفه‌جویی در مصرف انرژی به میزان ۳۰-۳۵٪ دست یافته است.

کلیدواژه‌ها

محاسبات ابری
زمانبندی

عنوان مقاله English

Improving Data Center Resource Utilization Using Clustering Techniques, Fuzzy Logic, and Evolutionary Algorithms

نویسندگان English

mojdeh jahanbani 1
SeyedEbrahim Dashti 2
sam hamzelo 3
1 Department of Computer Engineering, Pasargad Institute of Higher Education, Shiraz, Iran
2 Department of Electrical and Computer Engineering, Jahrom Branch, Islamic Azad University, Jahrom, Iran
3 Department of Computer Engineering, Pasargad Institute of Higher Education, Shiraz, Iran
چکیده English

Cloud computing has emerged as a paradigm that transcends traditional distributed computing systems, such as Grid and Cluster systems, offering the capability to handle dynamic requests and diverse user requirements. As the number of users grows, there is a pressing need to deploy effective mechanisms for load balancing and task scheduling. Load balancing is essential for evenly distributing workloads across physical servers, preventing resource congestion, and enhancing overall system performance. Furthermore, considering users' service requests and the necessity for service providers to deliver accurate and timely responses, coupled with the limited resources available in the cloud environment, efficient task scheduling becomes imperative. This paper proposes an approach for optimizing virtual machine (VM) migration by combining Genetic Algorithms and Ant Colony Optimization for resource scheduling operations. Additionally, it employs K-Means clustering and fuzzy logic to quantify the dependencies between VMs and physical machines during migration, thereby maintaining load balance. The proposed model is evaluated and compared against three existing load balancing algorithms within the CloudSim simulation environment. The evaluation results demonstrate that our proposed model achieves a 4.5% reduction in task completion time, a 4.9% increase in the deadline success rate, and a 3.9% improvement in task diversity. Furthermore, computational complexity is reduced by 8.3%, VM migration efficiency is improved by 2.5%, and decision-making delay is significantly decreased by 9.5%. Additionally, the model achieves substantial energy savings of 30-35%.

کلیدواژه‌ها English

cloud computing
scheduling
 
[1] Beloglazov, A., & Buyya, R. (2023). "Energy-aware resource management in cloud data centers: A taxonomy and survey". ACM Computing Surveys*, 55(3), 1-38
[2] Mansouri, Hasani Zade M, Ghafari. )2021(. “Security-aware Task Scheduling Algorithm based on Multi Adaptive Learning and PSO Technique”
[3] Kashikolaei, Hosseinabadi, Saemi, Shareh, Sangaiah, Bian.et al. (2020). “An enhancement of task scheduling in cloud computing based on imperialist competitive algorithm and firefly algorithm”. The Journal of Supercomputing, 76(8), 6302-6329.
[4] Yaragifard, M., & Ghobaei-Arani, M. (2022). "A genetic algorithm for energy-aware VM migration in cloud computing". Journal of Network and Computer Applications, 198, 103278.
[5] Manasrah, Ahmad M., and Hanan Ba Ali. )2018(. “Workflow Scheduling Using Hybrid GA-PSO Algorithm in Cloud Computing.” Wireless Communications and Mobile Computing 2018.
[6] Sharma M, Kumar M, Samriya JK. (2022) .“An optimistic approach for task scheduling in Cloud computing. Int J Inf Technol”.
[7] Jalaei N, Safi-Esfahani F. (2020) .VCSP: “virtual CPU scheduling for post-copy live migration of virtual machines”.
[8] M. H. Kashani and E. Mahdipour. Mar. (2023).  ‘‘Load balancing algorithms in fog computing,’’ IEEE Trans. Services Comput., vol. 16, no. 2, pp. 1505–1521.
[9] T. Barbette, E. Wu, D. Kostic, G. Q. Maguire, P. Papadimitratos, and M. Chiesa. (2022). ‘‘Cheetah: A high-speed programmable load-balancer framework with guaranteed per-connection-consistency,’’ IEEE/ACM Trans. Netw., vol. 30, no. 1, pp. 354–367.
[10] X. Wei and Y. Wang. (2023). ‘‘Popularity-based data placement with load balancing in edge computing,’’ IEEE Trans. Cloud Comput., vol. 11, no. 1,pp. 397–411.
[11] M. A. Jasim, N. Siasi, M. Rahouti, and N. Ghani. (2022). ‘‘SFC provisioning with load balancing method in multi-tier fog networks,’’ IEEE Netw. Lett., vol. 4, no. 2, pp. 82–86.
[12] M. Rostami and S. Goli-Bidgoli. (2023). ‘‘TMaLB: A tolerable many-objective load balancing technique for IoT workflows allocation,’’ IEEE Access, vol. 11, pp. 97037–97056.
[13] J. Baek and G. Kaddoum. (2023). ‘‘FLoadNet: Load balancing in fog networks with cooperative multiagent using actor–critic method,’’ IEEE Trans. Netw. Service Manage., vol. 20, no. 1, pp. 400–414.
[14] Z. Yao, Y. Desmouceaux, J.-A. Cordero-Fuertes, M. Townsley, and T. Clausen. (2022). ‘‘HLB: Toward load-aware load balancing,’’ IEEE/ACM Trans. Netw., vol. 30, no. 6, pp. 2658–2673.
[15] V. J. Sosa-Sosa, A. Barron, J. L. Gonzalez-Compean, J. Carretero, and I. Lopez-Arevalo. (2022). ‘‘Improving performance and capacity utilization in cloud storage for content delivery and sharing services,’’ IEEE Trans.Cloud Comput., vol. 10, no. 1, pp. 439–450.
[16] Kumar, M., Singh, A., & Buyya, R. (2023). "Energy-aware VM migration using deep Q-learning in cloud data centers". Future Generation Computer Systems, 141, 200-215.
[17] Zhang, Y., Chen, L., & Wang, H. (2024). "Hybrid ACO-GA for dynamic load balancing in cloud computing". Journal of Cloud Computing, 13(1), 45-60.
[18] Zhao, Q., & Shen, S. (2023). "Fuzzy clustering-based VM placement for energy-efficient cloud data centers". IEEE Transactions on Cloud Computing, 11(4), 3450-3465.
 [19] Li, J., & Liu, P. (2025). "Reinforcement learning for adaptive VM migration: A survey". ACM Computing Surveys, 57(2), 1-34.
[20] Park, S., & Kim, M. (2011). "PlanetLab workload traces for cloud computing research". *Technical Report*, Stanford University. Available online.
[21] D. Saxena, A. K. Singh, and R. Buyya. (2022). ‘‘OP-MLB: An online VM prediction-based multi-objective load balancing framework for resource management at cloud data center,’’
[22] S. A. Javadi and A. Gandhi. (2022).  ‘‘User-centric interference-aware load balancing for cloud-deployed applications,’’ IEEE Trans. Cloud Comput., vol. 10, no. 1, pp. 736–748.
[23] A. Pradhan, S. K. Bisoy, S. Kautish, M. B. Jasser, and A. W. Mohamed. (2022). ‘‘Intelligent decision-making of load balancing using deep reinforcement learning and parallel PSO in cloud environment,’’ IEEE Access, vol. 10, pp. 76939–76952.
 
 
 
 
 
 
 
 
 
 
 
 
 

صفحه اصلی

ارسال مقاله

داوران

تماس با ما