ارائه‌ي روشي براي مديريت منابع در رايانش مه

كارشناسي ارشد

گسترش استفاده از ابزارهاي هوشمند، منجر به توليد داده‌هاي حجيم مي‌شود. به منظور استخراج دانش مورد نياز از اين داده¬ها، نيازمند به انجام پردازشهاي مختلف هستيم؛ اما استفاده از ابزارهاي سخت‌افزاري و نرم-افزاري معمول، براي اجراي اين حجم از پردازشها مناسب نيست. رايانش ابر، منابع قابل اعتماد زيادي را از راه دور و با هزينه‌‌ي كم، در اختيار كاربران قرار مي‌دهد. از اين رو، منابع ابر مي‌تواند، انتخاب مناسبي در اينترنت اشياء، جهت ذخيره و پردازش داده‌هاي حجيم باشد. اما به دليل اينكه، برنامه‌هاي كاربردي اينترنت اشياء، حساس به تأخير بوده و نيازمند به پشتيباني از تحرك و آگاهي از موقعيت مكاني نيز هستند، رايانش ابر قادر به پاسخ‌گويي به اين نيازها نيست. براي غلبه بر اين چالش‌ها، معماري تكامل يافته‌اي به نام رايانش مه كه در آن منابع به لبه‌ي شبكه منتقل مي‌شود، مطرح گرديده است. يكي از چالش‌هاي مطرح شده در رايانش مه، مسئله‌ي تخصيص وظايف به گره‌ها با كاهش تأخير كاربران است. به منظور كاهش تأخير و افزايش رضايت كاربران، در اين پژوهش قصد داريم با توجه به محدود بودن ظرفيت گره‌ها در مه، در صورت تكميل شدن ظرفيت يك گره‌‌، از منابع محاسباتي ساير گره‌ها جهت اجراي وظايف باقي‌مانده، استفاده نماييم و در صورت تكميل بودن ظرفيت همه‌ي گره‌هاي مه، وظيفه را با قبول تأخير بيشتر به ابر منتقل كنيم. با توجه به اينكه، مسئله‌ي انتخاب گره و ميزان منابع مناسب براي هر يك از وظايف باقي‌مانده‌ي موجود، داراي پيچيدگي بالايي است؛ تاكنون روش‌هاي اكتشافي و فرااكتشافي مختلفي براي حل اين مسئله به كار برده شده‌اند. اما اين روش‌ها بدون توجه به نيازمندي‌هاي مجموعه‌ي وظايف، در هر مرحله، تنها به منابع مورد نياز يك وظيفه توجه دارند، در نتيجه‌ قادر به تخصيص منابع به صورت بهينه نخواهد بود. همچنين، در اكثر موارد، به وظايف به اندازه‌ي مورد نيازشان، منبع تخصيص داده مي‌شود. در حالي كه، مي‌توان در صورت تخصيص بهينه، منابع بيشتري در اختيار وظايف قرار دهيم. براي حل اين چالش، در روش پيشنهادي با استفاده از درخت جستجوي مونت كارلو سعي در يافتن پاسخي داريم، كه علاوه بر پذيرش حداكثر تعداد وظيفه، در صورت امكان به هر يك، بيش از نيازشان منبع تخصيص دهيم، تا از اين طريق بتوانيم سرعت پردازش را افزايش و در نتيجه تأخير را كاهش دهيم. با توجه به نتايج به‌‌دست آمده از شبيه‌‌سازي، مشاهده مي‌‌شود كه روش پيشنهادي در شرايط مختلف، به 50% تا 80% از درخواست‌‌ها در لايه‌‌ي مه منبع اختصاص مي‌‌دهد، كه در مقايسه با روش مطرح شده توسط Y. Gu، پذيرش درخواست در لايه مه 2 تا 5 برابر افزايش يافته است. علاوه بر اين، %80 از اين درخواست‌‌ها 2 برابر منبع درخواستي‌‌شان، منبع دريافت مي‌‌كنند.

194109

دانشگاه علم و صنعت ايران

نرم افزار

دكتر زينب موحدي