ترجمه فارسی عنوان مقاله

EATS: زمان‌بندی وظایف با مصرف انرژی کم در سیستم‌های رایانش ابری

عنوان انگلیسی

EATS: Energy-Aware Tasks Scheduling in Cloud Computing Systems ☆

کد مقاله	سال انتشار	تعداد صفحات مقاله انگلیسی
74123	2016	8 صفحه PDF

منبع

Publisher : Elsevier - Science Direct (الزویر - ساینس دایرکت)

Journal : Procedia Computer Science, Volume 83, 2016, Pages 870–877

فهرست مطالب ترجمه فارسی

چکیده

کليدواژگان

1. معرفی و مقدمه

شکل 1: سیستم رایانش ابری.

شکل 2. معماری کلی EATS.

شکل 3. الگوریتم برنامه ریزی انرژی محدود.

2. مدل سیستم EATS

3. مدل برنامه ریزی غیرخطی برتامه نویسی

4. پیش زمینه و کارهای مرتبط

5. تجزیه و تحلیل عملکرد

5.1 محیط آزمایشی

شکل 4: اجزای محیط تجربی برای اندازه گیری هم‌زمان مصرف انرژی.

شکل 5. خط اسیلوسکوپ جریان: جمع آوری داده های زمان واقعی مصرف انرژی.

5.2 آزمایش

5.3 تجزیه و تحلیل نتایج تجربی

شکل 6 مصرف انرژي زمان واقعی در Bootup و در حالت ثابت

شکل 7 مصرف انرژي در زمان ورود.

شکل 8 مصرف انرژی همزمان در هنگام اجرای متلب .

شکل 9. مصرف انرژی با شرایط مختلف بار کاری.

6. نتیجه گیری و آثار آینده

شکل 10. میانگین مصرف انرژی با اجرای KMeans با نمونه های داده 600k.

ترجمه کلمات کلیدی

محاسبات سبز؛ بهره وری انرژی؛ مدیریت انرژی؛ برنامه ریزی؛ رایانش ابری؛ عملکرد

کلمات کلیدی انگلیسی

Green Computing; Energy Efficiency; Energy Management; Scheduling; Cloud Computing; Performance

ترجمه چکیده

افزایش هزینه مصرف برق در مراکز داده، و متعاقبا تهدیدات زیست محیطی رشد تقاضا برای رایانش با مصرف انرژی پایین را موجب شده است. با وجود اهمیت این امر، تلاش کمی در معرفی مدلی برای مدیریت مصرف رایانش انجام شده است. با استفاده روزافزون از رایانش ابری، این موضوع بسیار مهم خواهد بود. در رایانش ابری یا Cloud Computing، خدمات در یک مرکز داده بر روی مجموعه‌ای از کلاسترها که توسط محیط محاسبات ابری مدیریت می‌شوند، اجرا می شوند. خدمات در قالب یک نرم افزار به عنوان یک سرویس (SaaS)، پلت فرم به عنوان یک سرویس(PaaS) و زیرساخت به عنوان یک سرویس(IaaS) ارائه می شود. مقدار انرژی مصرف شده توسط سیستم‌های کامپیوتری کم‌تر مصرف شده و پربار، ممکن است قابل توجه باشد. بنابراین، نیاز به برنامه ریزی الگوریتم‌هایی برای محسابه مصرف برق رایانش ابری برای بهره برداری کافی از منابع وجود دارد. از سوی دیگر، رایانش ابری برای محاسبات با کارایی بالا بسیار مهم است؛ به عنوان مثال پردازش کلان داده‌ها به دلیل کاهش مصرف انرژی، نباید به خطر بیافتد. در این مقاله، ما یک زمان‌بندی وظایف با مصرف انرژی پایین (EATS) را به ارمغان می‌آوریم، که اطلاعات زیادی را در Cloud تقسیم کرده و برنامه‌ریزی می‌کند. هدف اصلی از EATS افزایش کارایی برنامه‌ها و کاربردها و کاهش مصرف انرژی در منابع اساسی است. مصرف برق در سرور محاسباتی تحت شرایط مختلف تحت فشار کاری اندازه گیری شد. آزمایشات نشان می‌دهد که نسبت مصرف انرژی در عملکرد پیک در مقایسه با حالت بدون بار کاری 1 به 3 است. این نشان می دهد که منابع باید به طور صحیحی مورد استفاده قرار گیرند، بدون اینکه باعث کاهش کارایی شوند. نتایج روش پیشنهادی بسیار امیدوار کننده و دلگرم کننده است. از این رو، اعمال چنین استراتژی‌هایی توسط ارائه دهندگان سرویس‌های ابری موجب صرفه جویی در مصرف انرژی برای مراکز داده می‌شود.

ترجمه مقدمه

رایانش ابری 1،2،3 یک تکنولوژی در حال ظهور است که امکان دسترسی به شبکه به شکل گسترده و راحت به یک منبع مشترک را از طریق محاسبات قابل تنظیم (مانند شبکه‌ها، سرورها، ابزار ذخیره سازی، برنامه‌ها و خدمات) فراهم می‌کند که می‌تواند به سرعت ارائه شده و با حداقل کار مدیریتی یا تعامل بین ارائه‌دهندگان خدمات منتشر شود. این پدیده متشکل از سه مدل سرویس است: نرم افزار ابری به عنوان یک سرویس یا SaaS، پلت فرم ابری به عنوان یک سرویس یا PaaS ، و زیرساخت ابری به عنوان یک سرویس IaaS. SaaS ابری نیاز کاربران را با ارائه برنامه‌هایی که می‌توانند اجرا شوند و نتایج را به دست بیاورند برطرف می‌کند.PaaS ابری کاربران را قادر می‌سازد تا برنامه ها را بر روی سرویس ابری نصب کنند. IaaS ابری کاربران را قادر به ارائه پردازش، ذخیره سازی و شبکه کردن برای اجرای برنامه‌های خود می‌کند. خدمات در یک مرکز داده در یک مجموعه از کلاسترها که توسط محیط رایانش ابری مدیریت می‌شوند، اجرا می‌شود. رایانش ابری برای محاسبات با کارایی بالای 4،5 بسیاری از برنامه‌های علمی و مهندسی مفید است؛ به عنوان مثال برای پردازش داده های بزرگ (کلان داده). عملکرد و کیفیت خدمات نیز امری ضروری است. بسیاری از محققان در تلاش برای افزایش کارایی برنامه‌ها با انتخاب منابع کافی، بدون توجه به مصرف انرژی بودند. با این حال، مصرف انرژی مرکز داده درست به اندازه مقولات دیگر، یک مسئله مهم برای هر دو نهاد میزبان و مرکز داده، به دلیل افزایش هزینه‌ها، و دلایل محیط زیستی است. به عنوان مثال، مراکز داده در اتحادیه اروپا در سال 2005 حدود 1٪ (از جمله سیستم خنک کننده) مصرف برق کل کشور را به شکل تخمینی داشته و برآورد شده است که در ایالات متحده این رقم به 2.8٪ برسد. تخمین زده می شود که 3 درصد از کل تولید برق در اروپا توسط دیتابیس‌ها مصرف شده و از این رو مسئول میزان انتشار CO2 6 ‌هستند. انتظار می‌رود مصرف برق مراکز داده به 100 میلیون مگاوات ساعت در سال 2020 6. برسد. هزینه انرژی مصرف شده توسط یک سرور در طول عمر خود می تواند از هزینه خود تجهیزات بیشتر باشد 7 . هنگامی که یک مرکز داده ساخته می‌شود، برای تهیه زیرساخت لازم است انرژی مصرفی مورد نیاز درنظر گرفته شده باشد. یعنی امکانات، مانند سیستم خنک کننده و امکانات الکتریکی باید در برنامه‌های مربوطه گنجانده شود. هزینه امکانات به طور خطی وابسته به حداکثر استفاده از گره‌های محاسباتی (Nodes) است؛ یعنی سرورهایی که در اوج عملکرد خود کار می‌کنند. این هزینه در نهایت به هزینه تسهیلات و هزینه مصرف انرژی تقسیم می‌شود. بنابراین، برای کاهش هزینه‌ها، می‌بایست حداکثر استفاده از ماشین‌های رایانشی را درنظر بگیریم. منابع ناكارآمد هزینه بسیار زیادی را بر روی دوش میزان مالکیت خواهند گذاشت. در محاسبات ابر، تخصیص سخت افزار برای کاربران پنهان است. با این حال، توزیع برنامه‌های کاربران'، که بخشی از یک محیط رایانش ابری است باید راندمان مصرف انرژی را درنظر گرفته باشد. ماشین آلات سرور ابری نباید بار کاری بیش از داشته باشند، در معرض خطر مصرف برق بالا قرار بگیرند و کارایی آنها نباید ناکارآمد باشد. آنها نباید بیش از حد بار کاری داشته باشند، چراکه مصرف انرژی امکانات محاسباتی مشخص شده برای یک مرکز داده در مقایسه با الگوی مصرف افزایش خواهد یافت 9. این مشکل با ظهور تجزیه و تحلیل داده های بزرگ در Cloud 10 بسیار حیاتی خواهد بود، زیرا زیرساخت ها باید با توجه به مصرف بهینه انرژی استفاده شوند. هدف این مقاله، توزیع یک داده بزرگ برای پردازش توزیع شده در Cloud به منظور کاهش مصرف کلی انرژی Cloud بدون تخریب و اختلال در عملکرد است. بنابراین، ما یک برنامه زمانبندی وظایف با توجه به مصرف انرژی (EATS ) که هدف آن کاهش مصرف انرژی منابع بهره گرفته شده و زمان پردازش یک برنامه است را ارائه می‌نماییم. ما در حال استفاده از برنامه‌های کاربردی با بار کاری قابل تقسیم هستیم 11. برنامه‌های کاربردی باری، یک کلاس از برنامه های کاربردی می‌باشد که می‌تواند به وظایف مستقلی تقسیم شود و به منابع توزیع شده بدون هماهنگ سازی و برقراری ارتباط بین وظیفه‌ها اختصاص یابد. بار کاری قابل تقسیم بندی در بسیاری از برنامه‌های علمی و مهندسی برای تجزیه و تحلیل و پردازش داده‌های بزرگ مانند جستجوی الگو، فشرده سازی، برنامه‌های جستجوی عمومی، پردازش چند رسانه‌ای و تصویری، پردازش تصویر و داده کاوی صورت می‌گیرد. توزیع پردازش به معنای افزایش عملکرد نرم افزار توزیع شده نسبت به اجرای ترتیبی آن است. در مقالات پیشین 11،12 ،ما یک برنامه ریز را برای افزایش کارایی تقسیم برنامه‌های کاربردی بار در محیط محاسبات ابری توسعه دادیم. برنامه ریز یک رویکرد خطی را دنبال می‌کند و مصرف انرژی ابری را در نظر نمی‌گیرد. در این کار، ما یک مدل برنامه ریزی غیر خطی مبتنی بر برنامه نویسی مبتنی بر هدف، که به منظور بهینه سازی عملکرد نرم افزار و مصرف انرژی منابع زیرساختی است را ارائه می‌دهیم. آزمایش‌های ما نشان می‌دهد که نسبت مصرف انرژی سرور تماما استفاده شده در برابر مصرف انرژی آن در حالت غیرفعال 1 به 3 است. این نشان می-دهد که منابع بیکار و کم مصرف، مقدار زیادی انرژی را در مقایسه با حالات مصرف کامل مصرف می‌کنند. مدل ما با در نظر گرفتن این مشاهدات برای بهینه سازی مصرف انرژی محاسبات توزیع شده است. ادامه مقاله به شرح زیر سازماندهی شده است. بخش 2 مدل سیستم رویکرد برنامه ریزی ما را فراهم می‌کند. الگوریتم زمانبندی در بخش 3 ارائه شده است. بخش 4 بررسی کارهای مرتبط و مقایسه آنها با روش ما است. آزمایشات ما و ارزیابی آنها در بخش 5 توضیح داده شده است. بخش 6 کار ما را به پایان می رساند و آثار آتی را برجسته می‌کند.

دانلود رایگان 2 صفحه اول مقاله لاتین (PDF)

پیش نمایش مقاله

چکیده انگلیسی

The increasing cost in power consumption in data centers, and the corresponding environmental threats have raised a growing demand in energy-efficient computing. Despite its importance, little work was done on introducing models to manage the consumption efficiently. With the growing use of Cloud Computing, this issue becomes very crucial. In a Cloud Computing, the services run in a data center on a set of clusters that are managed by the Cloud computing environment. The services are provided in the form of a Software as a Service (SaaS), Platform as a Service (PaaS), and Infrastructure as a Service (IaaS). The amount of energy consumed by the underutilized and overloaded computing systems may be substantial. Therefore, there is a need for scheduling algorithms to take into account the power consumption of the Cloud for energy-efficient resource utilization. On the other hand, Cloud computing is seen as crucial for high performance computing; for instance for the purpose of Big Data processing, and that should not be much compromised for the sake of reducing energy consumption. In this work, we derive an energy-aware tasks scheduling (EATS) model, which divides and schedules a big data in the Cloud. The main goal of EATS is to increase the application efficiency and reduce the energy consumption of the underlying resources. The power consumption of a computing server was measured under different working load conditions. Experiments show that the ratio of energy consumption at peak performance compared to an idle state is 1.3. This shows that resources must be utilized correctly without scarifying performance. The results of the proposed approach are very promising and encouraging. Hence, the adoption of such strategies by the cloud providers result in energy saving for data centers.