وبلاگ

deployableVm = vm;
break
{
{
return deployableVm
{

شکل ۴-۹: استراتژی توازن بار ]۲۵[.
برای شبیه­سازی این الگوریتم از ابزار CloudSim (ابزاری برای شبیه­سازی محیط­های ابر) استفاده شده و اثربخشی استقرار (تعداد کل ابزار­های استقرار یافته با توجه به تعداد کل در خواست­ها) و سودمندی منبع (تعداد سرویس ابزار که زمانبند بتواند روی هر ماشین مجازی مستقر کند) برای دو نوع ابزار کاربردی –که یکی به منابع زیادی نیاز دارد و دیگری منابع کمتر بخواهد- در حالت­های مختلف بررسی شده است. در پایان زمان پاسخ و زمان تکمیل در دو حالت با/بدون تخصیص بر حسب تقاضا برای الگوریتم­های مطرح شده و الگوریتم­های قدیمی زمانبندی بررسی شده است. در تخصیص منبع یک موضوع مهم این است که منابع به ترکیبی از ابزارها به­گونه ­ای تخصیص یابند که SLA همه آنها رعایت شود. در ]۲۶[ یک مدل کارایی برای تعیین حداقل تعداد سرور مورد نیاز برای دو کلاس کار^[۲۴] استفاده شده است.

دو استراتژی تخصیص مشترک^۲ (سرورها بوسیله کلاس کار به اشتراک گذاشته می­شوند) و تخصیص اختصاصی^۳ (به هر کلاس کار تعداد ثابتی سرور تخصیص داده می­ شود) و زمانبندی­هایی مثل اول ورودی اول خروجی^۴ مطرح شده ­اند. SLA بوسیله رابطه زیر تعریف شده است. ≤x]<yزمان پاسخ[ که در آن x یک مقدار آستانه و y احتمال هدف است. برای زمانبندیFCFS نتایج توزیع زمان پاسخ برای توسعه یک الگوریتم هیورستیک که مشخص­کننده یک الگوریتم تخصیص مثل DA یا SA است استفاده شده است. فرض شده m_si کوچکترین تعداد سرور مورد نیاز در SA برای رعایت SLA است. m_si از الگوریتم ۱ در شکل ۴-۱۰ بدست می ­آید. هدف در ]۲۶[ ارائه الگوریتمی است که مشخص کند SA بهتر است یا DA. شرح الگوریتم هیورستیک ارائه شده در ]۲۶[ در ادامه آورده شده است. ابتدا وابستگی به استراتژی تخصیص بهتر روی SLA_i بوسیله یک معیار که تفاوت آنها را نشان می­دهد حذف شده است، سپس برای یک متد داده شده برای معیار تفاوت، وابستگی استراتژی بهتر برای نرخ ورودی λ_۱ و λ_۲ تشخیص داده شده است. نتایج برای توسعه یک الگوریتم هیورستیک که استراتژی بهتر را مشخص می­ کند استفاده شده است. فرض شده است (G(SLA)=1/k∫^k₀ m(x,SLA)dx) میانگین تعداد سرور مورد نیاز برای رعایت SLA با توجه به رنج λ مطرح شده است که در آن K=40. G(SLA) می ­تواند به صورت عددی محاسبه شود. یک معیار به نام “تمایز SLA” بین SLA₁ و SLA₂ که با D نمایش داده شده تعریف شده است: D=|G(SLA₁)- G(SLA₂)|. سپس نتایجی که تاثیر D و _iλ برروی معیارهای SA و DA را نشان می­ دهند ارائه شده است. الگوریتم از یک جدول عامل برای ثبت رابطه­ تمایز SLA و α استفاده کرده است.

Algorithm 1

{ Input:
б //Arrival rate
µ //Service rate
SLA (x,y) //level agreement
Output: m //Minimum number of Servers required
M=[б/µ+۱]
while f(x)<y
m++
return m
}

شکل ۴-۱۰: الگوریتم تعیین حداقل تعداد سرور مورد نیاز ]۲۵[.
یک مثال از این جدول در جدول ۴-۱ آمده است که در آن تمایز SLA به پنج فاصله (دسته) تقسیم شده است. یک α برای هر فاصله­ای تعریف شده است. این مقدار از قبل تعیین­شده میانگین α برای تمایز SLA در فواصل است. الگوریتم ارائه شده در شکل ۴-۱۱ آمده است. ابتدا G(SLA) با بهره گرفتن از رابطه ذکر شده در بالا محاسبه شده است. این مقادیر برای محاسبه D استفاده می­شوند. α متناظر با D از جدول عامل بدست می ­آید. اگر اشتراک λ_۲) و (λ_۱ زیر خط مشخص شده بوسیله α باشد DA استراتژی بهتری است، در غیر این صورت SA بهتر است، در انتها نیز ارزیابی روش ارائه شده صورت گرفته است.
جدول ۴-۱: رابطه بینD و آلفا ]۲۶[.

SLA تمایز

(درجه) α عامل

[۰, ۳۰)

۰

[۳۰, ۶۲)

۲۲

[۶۲, ۷۸)

۵۲