Vertikal Beban Distribusi untuk Cloud Computing melalui Beberapa Pilihan Implementasi

Bab 12
Vertikal Beban Distribusi untuk Cloud Computing
melalui Beberapa Pilihan Implementasi

Thomas Phan dan Wen-Syan Li

Abstrak Cloud computing terlihat untuk memberikan perangkat lunak sebagai layanan ditetapkan untuk pengguna akhir, tetapi infrastruktur dasar harus cukup terukur dan kuat. Dalam pekerjaan kami, kami fokus pada skala besar sistem awan perusahaan dan meneliti bagaimana perusahaan dapat menggunakan arsitektur berorientasi layanan (SOA) untuk menyediakan efisien antarmuka untuk proses bisnis mereka. Untuk meningkatkan proses bisnis, masing-masing SOA lapis biasanya menyebarkan beberapa server untuk distribusi beban dan toleransi kesalahan, skenario yang kita istilah distribusi beban horisontal. Salah satu keterbatasan dari pendekatan ini adalah bahwa beban tidak dapat didistribusikan lebih lanjut ketika semua server di tingkat yang sama dimuat. Dalam sistem yang kompleks SOA multi-tier, proses bisnis tunggal sebenarnya bisa dilaksanakan oleh beberapa jalur perhitungan yang berbeda antara tingkatan, masing-masing dengan komponen yang berbeda, dalam rangka memberikan ketahanan dan skalabilitas. seperti beberapa
Pilihan implementasi memberikan kesempatan untuk distribusi beban vertikal di seluruh tingkatan. Dalam bab ini, kita melihat sebuah novel permintaan perutean kerangka kerja untuk perusahaan berbasis SOA

komputasi dengan beberapa pilihan implementasi yang memperhitungkan Pilihan distribusi beban horisontal dan vertikal.

12.1 Pendahuluan

Cloud computing terlihat memiliki perhitungan dan penyimpanan data menjauh dari pengguna akhir dan ke server yang berlokasi di pusat data, sehingga menghilangkan pengguna beban aplikasi provisioning dan manajemen (Dikaiakos, Pallis, Katsaros, Mehra, & Vakali, 2009; Cloud Computing, 2009). Software kemudian dapat dianggap sebagai murni layanan yang diberikan dan dikonsumsi melalui Internet, menawarkan pengguna fleksibilitas untuk memilih aplikasi on-demand dan memungkinkan penyedia layanan untuk skala keluar kapasitas mereka sesuai. Sebagai kemerahan karena gambar ini tampaknya, infrastruktur server-side yang mendasari harus cukup kuat, kaya fitur, dan terukur untuk memfasilitasi komputasi awan. dalam hal ini bab kita fokus pada skala besar sistem awan perusahaan dan meneliti bagaimana isu-isu provisioning scalable dapat dipenuhi dengan menggunakan sistem distribusi beban baru. Dalam sistem perusahaan awan, arsitektur berorientasi layanan (SOA) dapat digunakan untuk menyediakan antarmuka efisien untuk proses bisnis yang mendasari yang ditawarkan melalui awan. Seperti SOA dapat bertindak sebagai program front-end untuk berbagai komponen bangunan-blok dibedakan sebagai layanan individu dan mereka mendukung server (mis. (DeCandia et al., 2007)). Permintaan yang masuk ke layanan yang disediakan oleh komposit ini SOA harus diteruskan ke komponen yang benar dan masing-masing server, dan Routing tersebut harus terukur untuk mendukung sejumlah besar permintaan. Dalam rangka untuk meningkatkan proses bisnis, setiap tingkatan dalam sistem biasanya menyebarkan beberapa server untuk distribusi beban dan toleransi kesalahan. Distribusi beban seperti di beberapa server dalam tingkat yang sama dapat dilihat sebagai distribusi beban horisontal, seperti ditunjukkan pada Gambar. 12.1. Salah satu batasan dari distribusi beban horisontal adalah bahwa 

12.2 Ikhtisar

Pada bagian ini kita memberikan gambaran arsitektur sistem dan mendiskusikan istilah yang akan digunakan dalam tulisan ini. Pertimbangkan awan contoh komputasi disederhanakan (ditampilkan pada Gambar. 12.3) di mana proses analitik berjalan pada Web dan Aplikasi Server (WAS), Database Server (DB), dan Analytic Server khusus (AS).

 

12.3 Penjadwalan Layanan Komposit

12.3.1 Solusi Space
Pada bagian ini, kami secara resmi mendefinisikan masalah dan menggambarkan bagaimana kita memodelkan nya kompleksitas. Kami mengasumsikan elemen skenario berikut:
• Permintaan eksekusi alur kerja disampaikan kepada agen penjadwalan.
• alur kerja dapat diwujudkan oleh salah satu dari beberapa implementasi, sehingga masing-masing
permintaan ditugaskan untuk salah satu dari implementasi tersebut oleh agen penjadwalan.
• Setiap pelaksanaan memanggil beberapa jenis layanan, seperti aplikasi web
Server, DBMS, atau server analisis komputasi.
• Setiap jenis layanan dapat diwujudkan oleh salah satu dari beberapa contoh layanan
jenis, di mana setiap contoh dapat memiliki kebutuhan komputasi yang berbeda. Sebagai contoh,
satu implementasi mungkin memerlukan perhitungan DBMS berat (seperti melalui
prosedur yang tersimpan) dan analisis komputasi ringan, sedangkan implementasi lain
mungkin memerlukan cahaya DBMS query dan analisis komputasi berat.
Kami berasumsi bahwa implementasi ini ditetapkan oleh administrator atau insinyur.
• Setiap jenis layanan dijalankan pada server dalam kolam server yang didedikasikan untuk
bahwa jenis layanan.

12.3.2 Algoritma Genetik

Mengingat ruang solusi dari MR · ST, tujuannya adalah untuk menemukan tugas terbaik
permintaan untuk implementasi dan contoh jenis layanan ke server untuk

12 Vertikal Beban Distribusi untuk Cloud Computing 285 

meminimalkan waktu berjalan dari beban kerja, sehingga memberikan vertikal yang diinginkan dan balancing horisontal. Untuk mencari melalui ruang solusi, kami menggunakan genetik algoritma (GA) heuristik pencarian global yang memungkinkan kita untuk menjelajahi bagian dari ruang dengan cara dipandu yang menyatu menuju solusi optimal (Holland, 1992; Goldberg, 1989). Kami mencatat bahwa GA adalah hanya salah satu dari banyak kemungkinan pendekatan untuk heuristik pencarian, yang lainnya termasuk tabu search, simulated annealing, dan curam-pendakian mendaki bukit. Kami menggunakan GA hanya sebagai alat. Sebuah GA adalah simulasi komputer seleksi alam Darwin yang iterates melalui berbagai generasi konvergen ke solusi terbaik dalam masalah ini ruang. Sebuah solusi potensial untuk masalah ini ada sebagai kromosom, dan dalam kasus kami, kromosom adalah pemetaan spesifik permintaan-to-implementasi dan instancesto- server bersama dengan beban kerja terkait waktu pelaksanaannya. algoritma genetika biasanya digunakan untuk mencari solusi yang tepat yang optimal atau perkiraan dekat-optimal dalam masalah pencarian kombinatorial seperti yang kita alamat. Hal ini diketahui bahwa GA menyediakan tradeoff yang sangat baik antara eksplorasi ruang solusi dan eksploitasi ditemukan maxima (Goldberg, 1989). Selanjutnya, algoritma genetika memang memiliki keuntungan optimasi progresif sehingga solusi adalah tersedia setiap saat, dan hasilnya terus membaik karena lebih banyak waktu yang diberikan untuk optimasi.  

12.3.2.1 Kromosom Representasi Solusi

Kami menggunakan dua struktur data dalam kromosom untuk mewakili masing-masing dua penjadwalan tahap. Pada tahap pertama, permintaan R ditugaskan untuk implementasi M, jadi struktur perwakilan hanyalah sebuah array ukuran R, di mana setiap elemen dari array adalah dalam kisaran [1, M], seperti ditunjukkan pada Gambar. 12.5.

Tahap kedua dimana kasus ditugaskan ke server yang lebih kompleks. Dalam Gambar. 12.6 kita menunjukkan contoh kromosom yang mengkode satu tugas penjadwalan. Representasi adalah matriks 2-dimensi yang memetakan {pelaksanaan,

Gambar. 12.6 Contoh kromosom mewakili tugas penjadwalan (pelaksanaan, jenis layanan misalnya) → penyedia layanan. Setiap baris mewakili sebuah implementasi, dan masing-masing Kolom merupakan contoh jenis layanan. Di sini ada alur kerja M dan jenis layanan T contoh. Dalam alur kerja 1, setiap permintaan untuk jenis layanan 3 pergi ke server 9

12.3.2.2 Kromosom Rekombinasi

Dua kromosom induk bergabung kembali untuk menghasilkan kromosom anak yang baru. harapannya adalah bahwa anak mengandung kromosom terbaik bersebelahan daerah dari orang tuanya. Mengkombinasikan kromosom dari tahap penjadwalan pertama adalah sederhana sejak chromsomes sederhana array 1 dimensi. Dua titik potong dipilih secara acak dan diterapkan untuk kedua orang tuanya. Elemen array antara titik potong di orangtua pertama diberikan kepada anak, dan elemen array di luar titik potong dari orang tua kedua yang ditambahkan ke elemen array pada anak. Hal ini dikenal sebagai crossover 2-point dan ditunjukkan pada Gambar. 12.7.

12.3.2.3 GA Evaluasi Fungsi

Fungsi evaluasi mengembalikan dihasilkan beban kerja waktu eksekusi diberikan kromosom. Perhatikan fungsi tersebut dapat diterapkan untuk mengevaluasi beban kerja dengan cara apapun asalkan diterapkan secara konsisten terhadap semua kromosom di semua generasi. Fungsi evaluasi kami ditunjukkan pada Algoritma 2. Di baris 6-8, itu Menginisialisasi eksekusi kali untuk semua server dalam kromosom. Pada baris 11-17, akan menetapkan permintaan untuk implementasi dan contoh jenis layanan ke server dengan menggunakan dua pemetaan dalam kromosom. Hasil akhir dari tahap ini adalah bahwa contoh yang sesuai enqueued server. Pada baris 19-21 kali menjalankan server dihitung. Pada baris 24-26, hasil dari server yang digunakan untuk menghitung Hasil dari implementasi. Fungsi ini mengembalikan waktu eksekusi maksimum antara implementasi.

12.3.3 Penanganan online Permintaan Sesampainya

Seperti disebutkan sebelumnya, masalah domain kita anggap adalah bahwa batch-tiba meminta routing. Kami mengambil keuntungan penuh dari skenario seperti melalui penggunaan GA, yang memiliki pengetahuan penduduk permintaan. Kita dapat lebih memperluas ini pendekatan permintaan tiba online, diskusi panjang yang kita menghilangkan sini karena dengan batas ruang. Pendekatan yang khas adalah untuk agregat permintaan yang masuk ke dalam.

Free Template Blogger collection template Hot Deals BERITA_wongANteng SEO theproperty-developer