پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

word 2 MB 30504 85
1391 کارشناسی ارشد مهندسی کامپیوتر
قیمت قبل:۶۵,۰۰۰ تومان
قیمت با تخفیف: ۲۹,۸۵۰ تومان
دانلود فایل
  • بخشی از محتوا
  • وضعیت فهرست و منابع
  • پایان نامه کارشناسی ارشد رشته مهندسی کامپیوتر

    چکیده:

    در سال های اخیر با توجه به رشد روز افزون درخواستها و پیوستن مشتریان جدید به دنیای محاسبات، سیستم های محاسباتی نیز باید تغییر کنند و قدرتمندتر وانعطاف پذیرتر از قبل عمل نمایند. در این میان محاسبات ابری به عنوان مدلی فراتر از یک سیستم ارائه شد که در حال حاضر توانایی پاسخگویی به اکثر درخواست ها و نیازمندی ها را دارد.

      راه حل های مجازی سازی  به طور گسترده ای برای حل  مشکلات  مختلف مراکز داده مدرن بکار می روند  که شامل : استفاده کمتر از سخت افزار، استفاده بهینه از فضای مراکز داده , مدیریت  بالای سیستم و هزینه نگهداری می شوند.

      عمده چالش هایی که  سرور های بزرگ با آن مواجه هستند عدم وجود قابلیت اطمینان  بالای سیستم  و هزینه های عملیاتی بالا به علت مصرف انرژی زیاد است. بنابراین، استقرار و زمانبندی vm ها برپایه انرژی آگاه یک ضرورت فوری برای دستیابی به این اهداف است.  زمانبندی کار برای چندین سال  توسط محققان مختلف مورد مطالعه قرار داده  شده است ، اما توسعه خوشه های مجازی و محیط  ابر پنجره جدیدی به سوی محققان جهت  رویکردهای جدید  زمانبندی  باز کرده اند .

    یکی از تکنیک های مورد نیاز جهت افزایش انعطا ف پذیری و مقیاس پذیری مراکز داده ی ابری، مهاجرت است. عمل مهاجرت با اهداف گوناگونی از جمله توازن و تقسیم بار، تحمل پذیری در برابر خرابی، مدیریت انرژی، کاهش زمان پاسخ و افزایش کیفیت سرویس، تعمیر و نگهداری سرورها انجام می شود.

    اجزای اصلی زمانبندی کار در محیط مجازی شامل :استقرار vmها در بین ماشین های فیزیکی و موازنه بارکاری پویا به کمک مهاجرت کارها در سراسر گره های خوشه مرکز داده می باشد.

    در این پایان نامه تمرکز ما روی زمانبندی مهاجرت ماشین های مجازی در مرکز داده ابر با استفاده از الگوریتم وراثتی می باشد . نتایج شبیه سازی موید امکان پذیری و کارایی این الگوریتم زمانبندی می باشد و منجر به کاهش قابل توجه مصرف انرژی کل در مقایسه با استراتژی های دیگر می شود.و از آنجا که تمرکز ما روی انرژی عملیاتی مراکز داده است  با کاهش مصرف انرژی عملیاتی, تولید آلاینده زیستی کربن  نیز کاهش یافته  که در کاهش هزینه کاربر نقش بسزایی ایفا می کند .

     

     

    مقدمه:

     

    در سال 1969 Leonard Kleinrock [1]، یکی از دانشمندان ارشد شبکه اصلی پروژه های پیشرفته پژوهشی آژانس (ARPANET) که پایه گزار اینترنت است ، گفت : " هم اکنون ، شبکه های رایانه ای هنوز در مراحل ابتدایی خود هستند  ، اما هنگامیکه  رشد کنند و پیچیده شوند  ، ما احتمالا گسترش  صنایع همگانی  کامپیوتر " را خواهیم دید  که ، مانند برق و تلفن در حال حاضر ، که به منازل و دفاتر در کشور خدمات ارائه می کنند. این بینش از صنایع همگانی محاسبات بر اساس مدل تأمین کننده خدمات ,تحول عظیم از کل صنعت محاسبات در قرن 21 که به موجب آن خدمات کامپیوتری  برحسب تقاضا[1] خواهد شد  را پیش بینی می کند، مانند خدمات ابزار دیگر موجود در جامعه امروز به راحتی در دسترس است. به طور مشابه ، کاربران (مصرف کنندگان) تنها زمانی که به خدمات محاسبات فراهم کنندگان دسترسی داشته باشند به آنها پرداخت می کنند. علاوه بر این ، مصرف کنندگان دیگر نیازی به سرمایه گذاری زیادی در ساخت و نگهداری پیچیده زیرساخت های فناوری اطلاعات نخواهند داشت.
    در چنین مدلی ، کاربران به خدمات مورد نیاز خود دسترسی می یابند بدون در نظر گرفتن اینکه آن خدمات میزبانی  کجا هستند.  از این مدل به  عنوان محاسبات همگانی یا اخیرا محاسبات ابری[2] یاد می شود [2]. دومی نشان دهنده زیرساخت به عنوان یک "ابر" است که از آن  کاربران می توانند  برحسب تقاضا به برنامه های کاربردی به عنوان خدمات  از هر نقطه  جهان دسترسی یابند. از این رو ، محاسبات ابری را می توان به عنوان یک پارادایم جدید برای تأمین پویای خدمات کامپیوتری با حمایت  مراکز داده معرفی کرد که معمولا تکنولوژی ماشین مجازی3  را برای تثبیت  و اهداف محیط زیست  بکار می گیرد.[3] .

    تا همین اواخر ، تنها نگرانی , استقرار مراکز داده  ابر با کارایی بالا بدون هیچ گونه توجهی به مصرف انرژی بوده است. مراکز داده به طور متوسط انرژی زیادی به اندازه 25000 خانوار مصرف می کنند[4]
    بخش قابل توجهی از انرژی الکتریکی مصرف شده توسط منابع محاسباتی به گرما تبدیل می شود. دمای بالا منجر

     

     

    به تعدادی از مشکلات ، مانند  کاهش قابلیت اطمینان سیستم و در دسترس پذیری، و همچنین کاهش طول عمر دستگاه ها می شود.

    مراکز داده ها فقط پرهزینه نیستند ، بلکه  آسیبی جدی به محیط زیست نیز وارد می کند.  کربن تولیدی این مراکز در حال حاضر بیش از کربن تولیدی یک کشور با تمام تاسیسات صنعتی است [5]. میزان کربن زیاد بخاطر حجم زیاد  برق مورد نیاز برای  خنک کردن سرورهای متعدد میزبان در مراکز داده ها است. ارائه دهندگان سرویس ابری برای اطمینان از این که  سود شان به دلیل هزینه های بالای انرژی به طرز چشمگیری کاهش پیدا نکند ودرعین حال  بتوانند خدمات را با کیفیت و سرعت بالاتری ارائه دهند همچنین باتوجه به افزایش فشار از سوی دولت های  جهان به منظور کاهش میزان کربن ، که تاثیر قابل توجهی در تغییرات آب و هوایی  دارد, نیاز به اتخاذ اقدامات لازم دارند. [6].

     در این بین راه حلهای مجازی سازی , علاوه بر کاهش هزینه های انرژی در زیرساختهای مراکز داده ,به طرز چشمگیری بهره برداری و  کارایی سرور را افزایش می دهد. مجازی سازی با استفاده از تکنیک مهاجرت ماشینهای مجازی ,با ادغام و موازنه بار بین سرورهای فیزیکی و اجرای ده برنامه کاربردی یا بیشتر ماشینهای مجازی برروی یک سرور x86 , می تواند منابع مجازی را با انعطاف زیاد بین سرور های فیزیکی منتقل کند [7].

    کاری که در این تحقیق انجام می شود ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت حل معضل انرژی و  آلودگی در محیط محاسباتی ابراست.

    فصل اول                                       

    کلیات

    مقدمه

    در این فصل مقدمه ای در مورد پیدایش شبکه محاسبات ابری  و یکسری از بحث های کلی در مورد مجازی سازی[3] و مهاجرت ماشین های مجازی[4] در محیط ابر و الگوریتم ژنتیک[5] بیان شده است. در ادامه مروری بر ابر, آشنایی با مسائل  و چالش های مهم موجود در ابر , ضرورت انجام این تحقیق و اهداف پژوهش آورده شده است. این فصل با خلاصه و نتیجه گیری از فصل و نیز تشریح ساختار پایان نامه به پایان رسیده است.

     

    مروری بر محاسبات ابری

     

    سیر تکاملی محاسبات به گونه ای است که می توان آن را پس از آب , برق , گاز و تلفن به عنوان عنصر اساسی پنجم فرض نمود.در چنین حالتی , کاربران سعی می کنند براساس نیازهایشان و بدون توجه به اینکه یک سرویس در کجا قرار دارد و یا چگونه تحویل داده می شود , به آن دسترسی یابند. نمونه های متنوعی از سیستم های محاسباتی ارائه شده است که سعی دارند چنین خدماتی را به کاربران ارائه دهند . برخی از این سیستم های محاسباتی عبارتند از : محاسبات خوشه ای[6], محاسبات شبکه ای[7] و اخیرا محاسبات انبوه[8] که از آن به عنوان محاسبات ابر یاد می شود. محبوبیت این سه رویکرد محاسباتی , از دید موتور جستجوی گوگل مورد ارزیابی قرار گرفته است که نتیجه آن در شکل 1-1 نمایش داده شده است و حاکی از آن است که محبوبیت محاسبات ابری , پس از ظهور مفاهیم اولیه آن در سال 2007 , با فاصله زیادی نسبت به سایر رویکردهای محاسباتی در حال افزایش است [8].

    برای شناخت بهتر محاسبات ابری از دید زیرساخت , ابتدا نگاهی به سیر تکاملی سیستم های محاسباتی از ابتدا تاکنون می اندازیم تا بتوانیم جایگاه آن را در بین دیگر سیستم ها تشخیص دهیم . اگر کامپیوتر های اصلی[9] را بعنوان نسل اول سیستم های محاسباتی در نظر بگیریم , ما با یک سیستم بسیار بزرگ مواجه بودیم که کاربران از طریق یک پایانه[10] واحد به آن دسترسی پیدا می کردند. به مرور این سیستم ها کوچکتر شدند و با توان پردازشی بیشتر بصورت رایانه های شخصی در اختیار همه کاربران قرار گرفتند. سپس این امکان فراهم شد که با اتصال مجموعه ای از این سیستم های کوچک , شبکه ای با توان پردازشی بیشتر فراهم نمود تا پاسخگوی نیازهای پردازشی بیشتر و سنگین تر باشند.اما نیازهای پردازشی به شکل فزاینده ای درحال افزایش بودند و نیاز به سیستم های محاسباتی بزرگتر و قوی تر احساس شد. بنابراین تعداد زیادی از این شبکه ها بصورت اختصاصی در سرتاسر اینترنت به هم متصل شدند و شبکه محاسباتی گرید را بوجود آوردند. در این بین مشاهده شد که میلیون ها کاربر در اینترنت وجود دارند که در اکثر اوقات از تمام توان  رایانه خود استفاده نمی کنند و سیستم محاسباتی دیگری شکل گرفت تا کاربرانی که تمایل داشته باشند , زمان های بیکار سیستم خود را برای کارهای محاسباتی عام المنفعه هدیه کنند. بنابراین تعداد بسیار زیادی منبع محاسباتی کوچک در شبکه ای تحت عنوان محاسبات داوطلبانه به هم پیوستند و توان پردازشی عظیمی بوجود آوردند .

    اما هنوز منابع بسیار زیاد دیگری در سازمان ها و مراکز داده اینترنتی وجود داشت که تمام ظرفیت آنها بطور کامل بکار گرفته نشده بود. این منابع نمی توانستند در شبکه محاسباتی گرید بصورت اختصاصی بکار گرفته شوند , زیرا برای آنها وظیفه دیگری تعریف شده بود . در عین حال امکان استفاده از آنها در شبکه داوطلبانه هم وجود نداشت, چون فلسفه وجودی آنها , کاربردهای تجاری بود. به این ترتیب رویکرد جدیدی شکل گرفت که بتوان با استفاده از فناوری های مجازی سازی این منابع را بصورت قابل انعطاف و پویا برای کاربردهای مختلف مورد استفاده قرار داد و از تمام ظرفیت آن ها بطور موثر استفاده کرد. این فناوری محاسبات ابر در لایه زیرساخت نام داشت که امکان استفاد از منابع محاسبات و ذخیره سازی را بصورت یک سرویس بر حسب نوع نیاز فراهم می آورد. در حقیقت با ایجاد یک لایه انتزاعی[11] بر روی کلیه منابع فیزیکی خود(به کمک مجازی سازی) امکان مدیریت پویای منابع فیزیکی حاصل می شود[9].(شکل 1-3).

    بنابراین محاسبات ابری از دید زیرساخت , به گونه ای سیستم های توزیع شده و موازی اطلاق می گردد که مجموعه ای از رایانه های مجازی را که به یکدیگر متصل هستند شامل می شود. این رایانه ها بطور پویا عرضه شده و به عنوان یک یا چند منبع محاسباتی یکپارچه براساس توافقات سطح سرویس ارائه می شوند . این توافقات در طول انجام مذاکرات سرویس دهندگان و مصرف کنندگان برقرار می گردند. محاسبات ابری سعی دارد نسل جدیدی از مراکز داده ای را , با ارائه کردن سرویس ها و خدمات در ماشین های مجازی شبکه شده به صورت پویا , به گونه ای ممکن سازد که ارائه دهندگان خدمات کاربردی بتوانند سرویس ها و برنامه های کاربردی را با انعطاف پذیری و سهولت بیشتری ارائه کنند و کاربران نیز بتوانند از هر جایی از دنیا به برنامه های کاربردی دسترسی داشته باشند.

    (تصاویر در فایل اصلی موجود است

     

    The Migration of VMs Scheduling Strategy to Optimizing The Energy Consumption and Pollutants Production in Cloud Data Center

     

     Abstract

     

    Nowadays, power consumption of data centers has huge impacts on environments. Researchers are seeking to find effective solutions to make data centers reduce power consumption while keep the desired quality of service or service level objectives. Virtual Machine (VM) technology has been widely applied in data center environments due to its seminal features, including reliability, flexibility, and the ease of management.

    We present genetic algorithm  scheduling approach  to reduce data center power consumption, while guarantee the performance from users’ perspective . We use  live migration and switching idle nodes to the sleep mode allow Cloud providers to optimize resource usage and reduce energy consumption.We have validated our approach by conducting a performance evaluation study using the Matlab toolkit. The experimental results show that the proposed algorithm  achieves reduced energy consumption  in data centers.

     

    Key words:cloud computing,virtual machine, energy consumption ,genetic  algorithm

    )

  • فهرست:

    چکیده................................................................................................................................................................ 1

    مقدمه................................................................................................................................................................. 2

     

    فصل اول- کلیات

    مقدمه................................................................................................................................................................. 5

    مروری بر محاسبات ابری........................................................................................................................... 5

    1-2-1- بررسی انواع مختلف توده های ابر، کاربرد، مزایا و معایب....................................... 9

    1-2-2- برخی مزایا و معایب محاسبات ابری................................................................................ 12

    1-2-3- معماری سیستم های محاسبات ابری.............................................................................. 13

    1-2-4- ماهیت محاسبات ابری............................................................................................................ 14

    مجازی سازی.................................................................................................................................................. 14

    مقدمه ای بر مهاجرت ماشین های مجازی....................................................................................... 19

    1-4-1- مهاجرت........................................................................................................................................ 19

    1-4-2- انواع روش های مهاجرت زنده............................................................................................ 20

    الگوریتم ژنتیک.............................................................................................................................................. 21

    1-5-1- جمعیت ژنتیکی.......................................................................................................................... 22

    1-5-2- تابع برازندگی.............................................................................................................................. 23

    1-5-3- عملگر ترکیب یا جابه جایی................................................................................................. 23

    1-5-4- عملگر جهش............................................................................................................................... 24

    1-5-5- عملگر انتخاب.............................................................................................................................. 24

    آشنایی با چالش پیش رو در شبکه محاسباتی ابر.......................................................................... 25

    خلاصه و نتیجه گیری................................................................................................................................. 27

     

    فصل دوم- مروری بر ادبیات گذشته

    2-1- محاسبات ابری.................................................................................................................................. 29

    2-2- مجازی سازی.................................................................................................................................... 30

    2-3- مدیریت انرژی در مرکز داده اینترنت IDC....................................................................... 31

    2-4- مدیریت انرژی ماشین مجازی و مهاجرت........................................................................... 32

    2-5- الگوریتم MBFD......................................................................................................................... 37

    2-6- الگوریتم ST..................................................................................................................................... 39

    2-7- الگوریتم MM................................................................................................................................. 39

    2-8- الگوریتم هریسانه............................................................................................................................. 41

    2-9- الگوریتمMEF(تغییر اولین تناسب)...................................................................................... 42

    2-10- نتیجه گیری................................................................................................................................... 43

     

    فصل سوم- ارائه الگوریتم پیشنهادی

    3-1- مقدمه................................................................................................................................................... 45

    3-2- الگوریتم پیشنهادی........................................................................................................................ 45

     

    فصل چهارم- نتایج شبیه سازی

    4-1- مقدمه................................................................................................................................................... 55

    4-2- ویژگی های شبیه سازی تخصیص و مهاجرت ماشین های مجازی........................ 55

    4-3- نرم افزار متلب................................................................................................................................... 59

    4-4- نتایج شبیه سازی............................................................................................................................ 61

    4-5- نتیجه گیری....................................................................................................................................... 66

     

    فصل پنجم- نتیجه گیری و پیشنهادات

    5-1- نتیجه گیری....................................................................................................................................... 68

    5-2- کار آینده............................................................................................................................................. 68

     

    منبع:

     

    [1]A. Gandhi, M. Harchol-Balter, R. Das, C. Lefurgy.” Optimal Power Allocation in Server Farms”,in proc: The Eleventh International Joint Conference on Measurement and Modeling of Computer Systems,pp:157–168,2009.

    [2]A. Weiss. “Computing in the Clouds. networker”, ACM Press, vol 11,pp:16-25,  2007.

    [3] A.Bloglazov,R.Buyya,” Adaptive Threshold-Based Approach for Energy-Efficient Consolidation of Virtual Machines in Cloud Data Centers”,In Proc: 8th  International Workshop on Middleware for Grids, Clouds and e-Science,No 4 ,2010

    [4] Amazon Elastic Compute Cloud (EC2), http://www.amazon.com/ec2/, July 2008.

     [5]Azure Service Platform, Micrsoft Corportation, http://www.microsoft.com/azure/services.mspx

    [6]Azure Service Platoform, Wikipedia, http://en.wikipedia.org/wiki/Microsoft_Azure

    [7]B. Lin, , and P. A. Dinda,” Mixing Batch And Interactive Virtual Machines Using Periodic Real-time Scheduling”. In Proc: the 2005 ACM/IEEE Conference on Super- Computing,pp:1-8, 2005.

    [8]B. Sotomayor, R. S. Montero, I. M. Llorente and I. Foster, “Virtual Infrastructure Management in Private and Hybrid Clouds”,In Proc: IEEE Internet Computing,pp: 14-22, 2009.

    [9]C. L. Karr and L.M.Freeman, "Industrial Applications of Genetic Algorithms", CRC Press, 1999.

    [10]C. P. Sapuntzakis, R. Chandra, B. Pfaff, J. Chow, M. S. Lam, M.Rosenblum,” Optimizing the Migration of Virtual Computers”. In Proc: the 5th Symposium on Operating Systems Design and Implementation (OSDI), vol 36  , pp:377-390   ,2002.

    [11]C.P. Sapuntzakis, R. Chandra, B. Pfaff, J. Chow, M.S. Lam, and M. Rosenblum, "Optimization the Migratin of Virtual Computers", In Proc: 5th USENIX Symposium on Operating Systems Design and Implementation (OSDI-02), vol 11  ,pp:377-390  , 2002.

    [12]C.Scheffy , “Virtualization For Dummies” , Amd Special Editors, Publisher: Wiley  , ISBN: 978-0-470-14831-0 ,2007.

    [13]D. Meisner, B. T. Gold and T. F. Wenisch, “PowerNap: Eliminating Server Idle Power”,In Proc:  Architectural Support for Programming Languages and Operating Systems(ASPLOS),pp:205-216,2009.

    [14]D. Nurmi, R. Wolski, C. Grzegorczyk, G. Obertelli, S. Soman, L. Youseff and D.Zagorodnov, “The Eucalyptus Open-Source Cloud-computing System”. In Proc: 9th IEEE/ACM International Symposium on Cluster Computing and the Grid(CCGRID),pp: 124-131, 2009.

    [15]D.Ongaro,  A. L . Cox, and S.Rixner,” Scheduling I/O in Virtual Machine Monitors”, In Proc:  ACM SIGPLAN/SIGOPS International Conference on Virtual Execution Environments,pp:1-10,2008.

    [16]E. Harney, S. Goasguen, J. Martin, M. Murphy, and M. Westall, “The Efficacy of Live Virtual Machine Migrations Over the Internet”, in proc: Second International Workshop on VirtualizationTechnology in Distributed Computing, , 2007.

    [17]F.M .Aymerich , G. Fenu , S. Surcis,  “An approach to a Cloud Computing  Network , Applications of Digital Information and Web Technologies” ,First International Conference ICADIWT, pp:113-118,2008 .

    [18]G. Dhiman, G. Marchetti and T. Rosing, “vGreen: A System for Energy-Efficient Management of Virtual Machines”, Journal of Transaction on Design Automation of Electronic System, Vol. 16, pp:6-32, 2010.

    [19]G. Lovasz, F. Niedermeier and H. De Meer.” Performance Tradeoffs of Energy-Aware Virtual Machine Consolidation”,Cluster Computing Journal , Vol 15, pp: 36-42, 2012.

    [20]Google App Engine, http://appengine.google.com

    [21]H. Kim,  H.Lim,  J. Jeong, H. Jo, and J. Lee, “Task-aware Virtual Machine Schedul-ing for I/O Performance”, In Proc: ACM SIGPLAN / SIGOPS International Conference on Virtual Execution Environments ,pp: 101-110,2009.

    [22]I .Goiri, F. Julià,  R. Nou, J.L.  Berral,  J .Guitart, J. Torres,  “Energy-Aware Scheduling in Virtualized Datacenters”, IEEE International Conference on Cluster Computing , pp:58-67, 2010.

    [23] I. Menken , G. Blokdijk , “Cloud Computing Virtualization Specialist Complete Certification Kit” Publisher: Emereo ,ISBN: 9781921644047 ,2008.

    [24]J. Baliga, R. Ayre, K. Hinton, R.S. Tucker, “Green Cloud Computing: Balancing Energy in Processing, Storage and Transport”, in proc: IEEE Press,vol 99, pp: 149-167, 2011.

    [25]J. Chase, D. Anderson, P. Thakar, A. Vahdat, and R. Doyle. “Managing Energy and Server Resources in Hosting Servers”. In Proc: Symposium on Operating Systems Principles(SOSP),pp:103-116, 2001.

    [26]J. Heo, D. Henriksson, X. Liu, T. Abdelzaher, "Integrating Adaptive Components: An Emerging Challenge in Performance-Adaptive Systems and a Server Farm Case-Study," in proc:the 28th IEEE Real-Time Systems Symposium (RTSS), pp:61-72,2007.

    [27] J. Moore, J. Chase, P. Ranganathan, and R. Sharma, “Making Scheduling Cool:Temperature-Aware Workload Placement in Data Center”. In Proc : USENIX Annual Technical Conference,pp:5 , 2005.

    [28]J. Stoess, C. Lang and F. Bellosa. “Energy Management for Hypervisor-Based Virtual Machines”. In Proc: USENIX Annual Technical Conference,pp:54-60, 2007

    [29]J. Stoess, C. Lang, F. Bellosa, “Energy Management for Hypervisor-Based Virtual Machines”, in Proc the USENIX Annual Technical Conference, pp: 1–14, 2007.

    [30]J. Stoess, C. Lang, F. Bellosa, “Energy Management for Hypervisor-Based Virtual Machines”, in proc : the USENIX Annual Technical Conference, pp: 1–14, 2007.

    [31]K. H. Kim ,R. Buyya, J. Kim, “Power-Aware Scheduling of bag-of-Tasks Applications with Deadline Constraints on DVS-enabled Clusters”, In Proc: IEEE International Symposium on Cluster Computing and the Grid(CCGRID), ,pp:541-548,2007.

    [32]K. Singh, M. Baduria and S.A. Mckee. “Real Time Power Estimation and Thread Scheduling via Performance Counters via Performance Counters”, ACM SIGARCH Computer Architecture News,Vol37,pp:46-55, 2008.

    [33]K.H. Kim, A. Beloglazov, R. Buyya,” Power-Aware Provisioning of Cloud Resources for Real-Time Services”, in Proc : the 7th International Workshop on Middleware for Grids, Clouds and e-Science,  vol 23   ,pp:1492-1505, 2009.

     [34]L. A.Barroso, U. Holzle,” The Case for Energy-Proportional Computing”, IEEE Computer, vol 40,pp: 33-37,2007.

    [35]L. Guangdeng,  G. Danhua,  B.Laxmi,” Software Techniques to Improve Virtualized I/O Performance on Multi-core Systems”, in proc: the 4th ACM/IEEE Symposium on Architectures for Networking and Communications Systems(ANCS) , pp:161-170  , 2008.

    [36]L. Kleinrock.” A Vision for the Internet”. ST Journal of Research,vol 2,pp :4-5, 2005.

    [37]L. Liu, H. Wang, X. Liu, W. He, Q. Wang and Y. Chen, “GreenCloud: A New Architecture for Green Data Center”, In Proc: 6th International Conference industry Session on Autonomic Computing and Communications Industry Session(ICAC-INDST),pp: 29-38, 2009.

    [38]L.R. Grossman  , “The Case for Cloud Computing” ,IT Professional , Vol 11 , pp: 23-27, 2009.

    [39]M. Denne , “Pricing Utility Computing Service”, International Journal of Web Services Research , Vol 4, pp:1-14 ,2007.

    [40]M.Lee, A. S. Krishnakumar, P. Krishnan, N. Singh,  and S.Yajnik, “Supporting Soft Real-time Tasks in the Xen Hypervisor”, In proc: the 6th ACM SIG- PLAN/SIGOPS International Conference on Virtual Execution Environments  ,pp: 97-108,2010.

    [41]Microsoft Live Mesh, http://www.mesh.com

    [42]N. Bobroff, A. Kochut, and K. Beaty, “Dynamic Placements of Virtual Machines for Managing SLA Violations”. In Proc: International Symposium on Integrated Network Management, pp: 119 - 128 ,2007.

    [43]P. Barham. “Xen and the Art of Virtualization”. In Proc: 19th ACM Symposium on Operating Systems Principles (SOSP), Bolton Landing,vol 12  , pp: 341-350, 2003.

    [44] P.Apparao, R. Iyer, X. Zhang, D. Newell, and T. Adelmeyer, “Characterization & Analysis of a Server Consolidation Benchmark”,In Proc: the fourth ACM SIG-PLAN/SIGOPS International Conference on Virtual Execution Environments (VEE),  vol 8,pp:21-30,2008.

    [45]Q. Tang, S.K.S. Gupta and G. Varasomapoulos. “Energy Efficient Thermal-Aware Task Scheduling for Homogenous Computing Datacenters. A Cyber-Physical Approach”. In IEEE Trans. Parallel and Distributed Systems,Vol 19,pp:  1458 – 1472, 2008.

    [46]Q. Tang, T. Mukherjee, S.K.S. Gupta, P. Cayton, “Sensor-based Fast Thermal Evaluation Model for Energy Efficient High-Performance datacenters”,In proc: International Conference on Intelligent Sensing and Information Processing(ICISIP), pp:203-208, 2006.

    [47]R. Buyya, A. Beloglazov, J. Abawajy, “Energy-Efficient Management of Data Center Resources for Cloud Computing: A Vision, Architectural Elements, and Open Challenges”, in Proc : International Conference on Parallel and Distributed Processing Techniques and Applications, pp:12–15 ,2010.

    [48]R. Nathuji and K. Schwan, “VirtualPower: Coordinated Power Management in Virtualized Enterprise Systems”. In Proc: ACM Symposium on Operating Systems Principles(SOSP), pp:265-278, 2007.

    [49] R. Raghavendra, P. Ranganathan, V. Talwar, Z. Wang, X. Zhu.” No Power Struggles: Coordinated Multi-level Power Management for the Data Center”, In proc: Thirteenth International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS), pp:48-59,2008.

    [50]R.Nathuji, K. Schwan, "VirtualPower: Coordinated Power Management in Virtualized Enterprise Systems", In Proc:  21th ACM SIGOPS Symposium on Operating Systems Principles,vol  41 , pp:265-278  , 2007.

    [51]Rajkumar Buyya , Chee Shin Yeo , Srikumar Venugopal , James Broberg , and Ivona Brandic, “Cloud Computing and Emerging IT Platforms:Vision ,Hype , and Reality for Delivering Computing as the 5th Utility”,Future Generation Computer Systems Elsevier Science, Vol 25 , pp:599-616, 2009.

     

    [52]Rajkumar Buyya, Anton Beloglazov and Jemal Abawajy ,” Energy-efficient Management of Data Center Resources for cloud computing: a Vision, architectural Elements, and Open Challenges ”,  International Conference on Parallel and Distributed Processing Techniques and Applications (PDPTA),2010

     

    [53] S. N. Sivanandam and S. N. Deepa, "Introduction to Genetic Algorithms" , Publisher : Springer, ISBN: 354073189X, 2008.

    [54]S. Nedevschi, L. Popa, G. Iannaccone, S. Ratnasamy, D. Wetherall, “Reducing Network Energy Consumption via Sleeping and Rate-Adaptation”, In Proc:the 5th USENIX Symposium on Networked Systems Design & Implementations (NSDI), pp:323-336 ,2008.

    [55]S. Srikantaiah, A. Kansal and F. Zhao, “Energy Aware Consolidation for Cloud Computing”.In proc: Conference on Power Aware Computing and Systems,pp:10, 2008.

    [56]S.Govindan,  A. R.Nath,  A.Das, B. Urgaonkar, and A. Sivasubramaniam, “Xen and Co: Communication-aware CPU Scheduling for Consolidated Xen-based Hosting Plat-forms”,In Proc: the Third International Conference on Virtual Execution Environments,pp:126-136,2007.

    [57]S.Zhang, X.Chen and S.Wu, “Analysis and Research of Cloud Computing System Instanse”, in Proc: the Second International Conference on Future Networks, pp:88-92,2010.

    [58]S.Zhang, X.Chen and S.Wu,” Analysis and Research of Cloud Computing System Instanse”, in proc: the Second International Conference on Future Networks , pp:88-92,2010.

    [59]Sun Network.com (Sun Grid), http://www.network.com

    [60]T. Heath, A. P. Centeno, P. George, L. Ramos, Y. Jaluria, and R. Biachini “Mercury and Freon: Temperature Emulation and Management in Server Systems”.In proc:  International Conference on Architectural Support for Programming Languages and Operating Systems (ASPLOS), pp:11-20,2006

    [61]T. Horvath, T.Abdelzaher, K. Skadron, X. Liu,” Dynamic Voltage Scaling in Multi-tier Web Servers with End-to-end Delay Control”, in proc: IEEE Transactions on Computers (TOC), vol 56, pp:444-458, 2007.

    [62]T. Wood, P. J. Shenoy, A. Venkataramani and M. S. Yousif, “Black-Box and Ray Box Strategies for Virtual Machine Migration”. In Proc: 4th USENIX Conference on Networked Systems Design & Implementation(NSDI),pp: 17, 2007.

    [63]Tremulous Official Website, http://tremulous.net

    [64]VMWare, VMWare Inc. http://www.vmware.com

    [65]W. L. Bircher and L.K. John. “Complete System Power Estimation: A Trickle-Down Approach Based on Performance Events”. In Proc:  Internal Symposium on Performance Analysis of Systems and Software(ISPASS), pp:158-168,2007.

    [66]W. Liu, L. Hongfeng, S .Feiyan, “Energy-efficient Task Clustering Scheduling on Homogeneous Clusters”,  In proc: International Conference of Parallel and Distributed Computing, pp:381-385, 2010.

    [67]X. Fan , W.Dietrich Weber, L. Andre Barroso. “Power Provisioning for a Warehouse-Sized Computer”, In  proc:The 34th ACM International Symposium on Computer Architecture, 2007.

    [68]X. Liao, H.Liting and H. Jin, “Energy Optimization Schemes in Cluster with Virtual Machines”, Cluster Computing(Elsevier Journal), Vol 13, pp:113 -126, 2010.

    [69]Xen User Manual, http:// bits.xensource.com/Xen/docs/user.pdf

    [70]Y. Amir, B. Awerbuch, A. Barak, S. Borgstrom and A. Keren, “An Opportunity Cost Approach for Job Assignment in a Scalable Computing Cluster”. In IEEE Trans. Parallel and Distributed Systems, Vol 11, pp:760-768, 2000.

    [71]Y. Choon Lee, Y .Albert, “Energy Efficient Utilization of Resources in Cloud Computing Systems”, Journal of Supercomputing(Springer sience), pp:1-13, 2010

    [72]Y. Song, H. Wang, Y. Li, B. Feng, Y. Sun, “Multi-Tiered On-Demand Resource Scheduling for VM-Based Data Center”, in Proc: 9th IEEE/ACM International Conference Symposium on Cluster Computing and the Grid(CCGRID) , pp: 148–155 .2009.

     

    [73]Yanton Beloglazov, Rajkumar Buyya “Optimal Online Deterministic Algorithms and Adaptive Heuristics for Energy and Performance Efficient Dynamic Consolidation ofVirtual Machines in Cloud Data Centers” , Concurrency and Computation: Practice and Experience ,pp:1-24,2011

     

    [74]Z, Zhang , “Cloud Computing Open Architecture”  IEEE International Conference on Web Services(ICWS),pp: 607 – 616, 2009 


موضوع پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, نمونه پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, جستجوی پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, فایل Word پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, دانلود پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, فایل PDF پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, تحقیق در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, مقاله در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, پروژه در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, پروپوزال در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, تز دکترا در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, تحقیقات دانشجویی درباره پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, مقالات دانشجویی درباره پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, پروژه درباره پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, گزارش سمینار در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, پروژه دانشجویی در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, تحقیق دانش آموزی در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, مقاله دانش آموزی در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر, رساله دکترا در مورد پایان نامه ارائه الگوریتم زمانبندی مهاجرت ماشین های مجازی جهت بهینه سازی همزمان مصرف انرژی و تولید آلاینده ها در شبکه محاسباتی ابر

پایان نامه کارشناسی ارشد مهندسی فناوری اطلاعات گرایش مدیریت سیستم ­های اطلاعاتی چکیده محاسبات ابری به عنوان یک مدل محاسباتی جدید است که در آن نرم­افزار، سخت­افزار، زیرساخت، بستر، داده و دیگر منابع به صورت مجازی و به عنوان سرویس، بر حسب تقاضا و از طریق اینترنت توسط فراهم­کنندگان ابر در اختیار کاربران ابر قرار می­گیرند. این مدل مبتنی بر پرداخت در ازای استفاده می­باشد، یعنی کاربران ...

پایان­نامه کارشناسی ارشد در رشته مهندسی کامپیوتر (نرم افزار) چکیده کاهش انرژی مصرفی در محیط ابرواره با استفاده از مهاجرت ماشین مجازی کاهش مصرف انرژی از جمله مهمترین مسائل روز به ویژه در بخش صنعت است. در سالهای اخیر نیازهای روز افزون بشر به سیستم‌های کامپیوتری باعث ایجاد و گسترش هر چه بیشتر مراکز داده با تعداد زیاد رایانه شده است که در مجموع مصرف برق قابل توجهی دارند. بدیهی است ...

پایان نامه جهت اخذ درجه کارشناسی ارشد رشته مهندسی کامپیوتر گرایش نرم افزار چکیده الگوریتم زمان بندی کار، که یک مسئله NP-کامل است، نقش کلیدی در سیستم ابرهای محاسباتی ایفا می کند. الگوریتم رقابت استعماری یکی از جدیدترین الگوریتم های بهینه سازی تکاملی است. همانگونه که از نام آن بر می آید، این الگوریتم بر مبنای مدل سازی فرایند اجتماعی- سیاسی پدیده استعمار بنا نهاده شده است. در این ...

پایان نامه کارشناسی ارشد رشته مهندسی مکاترونیک مقدمه پیشرفت­های اخیر در تولید منعطف و تکنولوژی اطلاعات این امکان را فراهم کرده است که سیستم­های تولیدی بتوانند با هزینه پایین­تر طیف وسیع­تری از محصولات یا خدمات را ارائه نمایند. به­علاوه افزایش رقابت در سطح جهانی منجر به رویارویی صنایع با رویکرد افزایش ارزش مشتری در ارائه محصول یا خدمات شده است. بنابراین لزوم درنظر گرفتن نیازهای ...

پایان‌نامه کارشناسی ارشد گرایش الکترونیک چکیده امروزه با توجه به مزایای شبکه­های حسگر بی­سیم که همانا پیاده­­سازی ساده و ارزان، مصرف توان پایین و مقیاس­پذیری بالای آنها است، در بسیاری از کاربردها مورد استفاده قرار گرفته­اند. طراحی شبکه­های پایدار حسگر بی­سیم یک مسئله بسیار چالش برانگیز است. انتظار می­رود حسگرها با انرژی محدود به صورت خودکار برای مدت طولانی کار کنند. این در حالی ...

چکیده سیر تکاملی محاسبات به گونه ای است که می‌توان آن را پس از آب، برق، گاز و تلفن به عنوان عنصر اساسی پنجم فرض نمود. در سالهای اخیر توجهات فزاینده ای به محاسبات ابری شده است. محاسبات ابری مدلی توزیع شده با مقیاس بزرگ است که مجموعه مقیاس پذیر و مجازی شده از قدرت محاسباتی مدیریت شده، فضای ذخیره سازی و سرویس‌ها را از طریق اینترنت در اختیار مشتریان قرار می‌دهد. مسئله تخصیص منابع در ...

پایان­نامه تحصیلی جهت اخذ درجه کارشناسی ارشد رشته: کامپیوتر گرایش نرم افزار چکیده در یک شبکه حسگر که یک سیستم توزیع شده فراگیر است، یکی از موارد مورد بحث همگام‌سازی ارتباطات است. یکی از عمده وظایف همگام‌سازی فرآیند‌ها، انحصار متقابل است. الگوریتم‌های جدید ارایه شده در مقایسه با الگوریتم‌ های قدیمی با عدالت بیشتری عمل می‌نمایند. در این پایان‌نامه یک مدل با استفاده از شبکه‌های ...

پایان‌نامه کارشناسی ارشد گرایش الکترونیک چکیده امروزه با توجه به مزایای شبکه ­های حسگر بی­سیم که همانا پیاده­­سازی ساده و ارزان، مصرف توان پایین و مقیاس­پذیری بالای آنها است، در بسیاری از کاربردها مورد استفاده قرار گرفته­اند. طراحی شبکه­های پایدار حسگر بی­سیم یک مسئله بسیار چالش برانگیز است. انتظار می­رود حسگرها با انرژی محدود به صورت خودکار برای مدت طولانی کار کنند. این در حالی ...

پایان‌نامه کارشناسی ارشد مهندسی کامپیوتر- معماری کامپیوتر چکیده با پیشرفت تکنولوژی ساخت وسایل الکترونیکی و مقرون به صرفه شدن شبکه‌ های حسگر در مقیاس‌های بزرگ، شبکه ­های حسگر بی­سیم زمینه‌های تحقیقاتی را با رشد سریع و جذابیت بسیار فراهم می­کنند که توجهات زیادی را در چندین سال اخیر به خود جلب کرده است. شبکه‌های حسگر بی‌سیم با مقیاس بزرگ حاوی چند صد تا چند ده هزار حسگر، پهنه وسیعی ...

پایان‌نامه برای دریافت درجه کارشناسی ارشد در رشته مهندسی کامپیوتر گرایش نرم‌افزار چکیده : با پیشرفت سخت‌ افزارهای و سپس سیستم عامل‌ ها و در دنباله آن نرم‌افزارهای ، درخواست سرویس‌های بیشتر و سرعت و قدرت بالاتر هم افزایش یافت و این وضعیت به‌جایی رسیده که کاربران بدون سخت‌افزار مناسب نمی‌توانند نرم‌افزار دلخواه خود را اجرا نمایند . با تولید و ایجاد نسخه‌های بالاتر و نرم‌افزارهای ...

ثبت سفارش