عنوان
بهبود بهره‌وري الگوريتم‌هاي زمان‌بندي وظايف در محيط رايانش ابري با استفاده از الگوريتم يادگيري تقويتيPPO
مقطع تحصيلي
كارشناسي ارشد
چكيده
در عصر حاضر، رايانش ابري به عنوان يك رويكرد جديد، با ارائه خدمات محاسباتي، ذخيره‌سازي و شبكه بر اساس تقاضا، مقياس‌پذيري و كارايي را براي كسب‌وكارها و سازمان‌ها به ارمغان آورده است. با اين حال، مديريت بهينه منابع محاسباتي در محيط‌هاي ابري، با توجه به پيچيدگي و حجم كاري روزافزون، به يك چالش اساسي تبديل شده است. مسئله زمان‌بندي وظايف، به عنوان يكي از مهم‌ترين جنبه‌هاي مديريت منابع، نقش كليدي در تضمين كارايي، كاهش هزينه‌ها و افزايش رضايت كاربران را دارد. در اين مسئله، وظايف مختلفي با تقاضاهاي محاسباتي و زمان‌هاي سررسيد متفاوت به سيستم وارد مي‌شوند و بايد به گونه‌اي زمان‌بندي شوند كه هزينه‌هاي ناشي از مصرف انرژي و تأخير در پردازش وظايف به حداقل برسد. اين چالش، به دليل ماهيت پويا و تصادفي ورود وظايف و همچنين محدوديت منابع محاسباتي، نيازمند توسعه الگوريتم‌هاي زمان‌بندي هوشمند و كارآمد است. در اين پژوهش، يك الگوريتم زمان‌بندي تطبيقي تحت عنوان AEDLDF-PPO براي حل مسئله زمان‌بندي وظايف در رايانش ابري پيشنهاد شده است. اين الگوريتم، با بهره‌گيري از نقاط قوت يادگيري تقويتي عميق و قوانين اولويت‌بندي، قادر است در شرايط مختلف ترافيكي، سياست‌هاي زمان‌بندي بهينه را بياموزد و هزينه‌هاي سيستم را به حداقل برساند. در اين راستا، ابتدا مسئله زمان‌بندي به عنوان يك برنامه پويا با احتمالات انتقال نامشخص فرموله شده و يك مدل رياضي جامع براي سيستم رايانش ابري ارائه شده است. سپس، با توجه به محدوديت‌هاي روش‌هاي سنتي زمان‌بندي و الگوريتم‌هاي يادگيري تقويتي عميق موجود، الگوريتم پيشنهادي AEDLDF-PPO معرفي شده است.اين الگوريتم شامل دو مرحله اصلي است: ماژول طبقه‌بندي ترافيك و ماژول زمان‌بندي وظايف تطبيقي. ماژول طبقه‌بندي ترافيك با استفاده از يك شبكه، سطح ترافيك فعلي سيستم را به عنوان سبك يا سنگين طبقه‌بندي مي‌كند و سپس ماژول زمان‌بندي وظايف تطبيقي كه شامل دو سياست زمان‌بندي EDLDF-PPO براي ترافيك سنگين، و يك سياست EDF براي ترافيك سبك است كه در هر مرحله، بر اساس خروجي ماژول طبقه‌بندي ترافيك، سياست مناسب براي زمان‌بندي وظايف را انتخاب مي‌كند. عملكرد الگوريتم پيشنهادي AEDLDF-PPO با استفاده از شبيه‌سازي‌هاي گسترده در محيط‌هاي رايانش ابري با شرايط ترافيكي گوناگون ارزيابي شده است. نتايج شبيه‌سازي‌ها نشان مي‌دهند كه اين الگوريتم در تمام سناريوهاي مورد بررسي، عملكرد بهتري نسبت به الگوريتم‌هاي زمان‌بندي LLF-PPO ، EDF-PPO و RR-PPO دارد. اين الگوريتم، با تطبيق هوشمندانه بين سياست‌هاي EDLDF-PPO و EDF براساس شرايط ترافيك، قادر است هزينه‌هاي كلي سيستم را به حداقل برساند. به طور كلي، نتايج اين پژوهش نشان مي‌دهد كه الگوريتم پيشنهادي AEDLDF-PPO يك رويكرد كارآمد و موثر براي زمان‌بندي وظايف در محيط‌هاي رايانش ابري است. اين امر مي‌تواند به بهبود كارايي، كاهش هزينه‌ها تا 14درصد نسبت به الگوريتم EDLDF-PPO در سيستم‌هاي رايانش ابري كمك كند و در نتيجه، به توسعه و گسترش اين فناوري‌ها كمك شاياني نمايد.
شماره ركورد
232357
دانشگاه
دانشگاه اصفهان
رشته تحصيلي
مهندسي كامپيوتر- معماري سيستم هاي كامپيوتري
استاد راهنما
محمدرضا خيام‌باشي