جايابي و زمان‌بندي كارها در محاسبات مه با ساختار چندصفي

اصفهان : دانشگاه صنعتي اصفهان

مهندسي كامپيوتر

كارشناسي ارشد

در سالهاي اخير، اينترنت اشياء (IoT) يكي از محبوب‌ترين فناوري‌هايي بوده‌است كه تعاملات بين اشياء و انسان‌ها را براي افزايش كيفيت زندگي تسهيل مي‌كند. افزايش مداوم برنامه‌هاي اينترنت اشياء كه نياز به محاسبات در مقياس بزرگ و ذخيره‌سازي طولاني مدت دارند، منجر به اتكاي بيش از حد به محاسبات ابري شده‌است و ازدحام در فضاي ابري، همراه با فاصله مراكز داده ابري از اشياء، منجر به تأخير پاسخ انتها به انتها و غير قابل اعتمادي گشته‌است. محاسبات مبتني بر مه ساختاري توزيع شده را ارائه مي‌دهد كه در آن سرويس‌هاي محاسبات ابري ازجمله پردازش و ذخيره‌سازي داده‌ها تا لبه‌ي شبكه توسعه داده شده‌اند و تا حد امكان به دستگاه‌هاي پاياني نزديك هستند؛ بنابراين به ‌عنوان مكملي براي محاسبات ابري معرفي مي‌گردد كه با آوردن منابع پردازش و ذخيره‌سازي به لبه‌ي شبكه، خدماتي با تأخير كم ارائه مي‌دهد. از سوي ديگر، محدوديت منابع، ناهمگوني منابع، ماهيت پويا و غيرقابل پيش‌بيني بودن محيط مه، ايجاب مي‌كند كه مسئله مديريت منابع به ‌عنوان يكي از مشكلات چالش برانگيز در محاسبات مه مورد توجه قرار گيرد كه نيازمند تصميم‌گيري برخط و هوشمند مي‌باشد. در اين تحقيق، هدف، دستيابي به روشي متمركز براي اولويت‌بندي، زمان‌بندي و جايابي كارهاي پردازشي بر روي سرور‌هاي مه با قابليت‌هاي ناهمگون كه ساختار چندصفي دارند مي‌باشد. ابتدا مسئله با در نظرگرفتن معيارهاي حداقل تأخير و تعداد منقضي شدن زمان اتمام كارها فرمول‌بندي مي‌شود سپس با توجه به اينكه اندازه فضاي جستجو در اين مسئله نمايي است در اين تحقيق دو روش با پيچيدگي زماني كمتر پيشنهاد مي‌شوند؛ الگوريتم ژنتيك (GA) كه در دسته‌ي الگوريتم‌هاي تكاملي قرار دارد و الگوريتم يادگيري تقويتي (RL) كه يكي از رويكردهاي يادگيري ماشين است. همچنين جهت مقايسه نتايج از الگوريتم تصادفي و دو الگوريتم ابتدا كوتاه‌ترين كار (SJF) و ابتدا زودترين ضرب‌العجل (EDF) استفاده شده‌است. نتايج نشان مي‌دهد الگوريتم ژنتيك عملكرد بهتري را در هر دو معيار ميانگين تأخير و ميزان از دست رفتن مهلت‌هاي زماني از خود نشان مي‌دهد. اين روش در معيار ميانگين تأخير، نسبت به روش SJF و EDF، به ترتيب به ميزان %10 و %13 و نسبت به روش RA، %82 بهتر عمل مي‌كند. همچنين در اين معيار نسبت به روش RL، %23 عملكرد بهتري داشته‌است. از نظر معيار ميانگين تعداد وظايفي كه در مهلت مقرر خود به اتمام نرسيده‌اند، الگوريتم ژنتيك نسبت به روش SJF، EDF و RA ، به ترتيب به ميزان %10، %9 و %56 بهبود ايجاد مي‌نمايد و نسبت به الگوريتم RL، %15 درصد بهتر عمل مي‌كند. همچنين نتايج شبيه‌سازي نشان مي‌دهد ساختار چند صفي سرورهاي مه، در شرايطي كه تعداد سرورهاي مه كم است در بهبود عملكرد سيستم نقش دارد اما با افزايش سرورهاي مه عملكرد ساختار تك صفي بهتر از ساختار چند صفي خواهد بود. كلمات كليدي: اينترنت اشياء، محاسبات مبتني بر مه، تخصيص منابع، يادگيري تقويتي، الگوريتم ژنتيك

230662

نرم‌افزار

مهندسي برق و كامپيوتر

دانشگاه صنعتي اصفهان