فردین احمدی زر

رایانش ابری با استفاده از فناوری مجازی سازی منابع محاسباتی، ذخیره سازی و شبکه را از طریق اینترنت به سازمان ها و کاربران نهایی به روشی کاملا پویا ارائه می دهد. منابع مجازی ارزان تر، دارای مدیریت آسان تر و انعطاف پذیرتر از مجموعه های فیزیکی هستند. رشد چشمگیر و روزافزون تعداد سرویس ها و برنامه های کاربردی همچون اینترنت اشیا، کلان داده ها، محاسبات علمی، یادگیری ماشین و غیره رایانش ابری را با چند چالش جدی مواجه کرده است. از جمله این چالش ها می توان به افزایش تاخیر ارتباطی، مصرف بی رویه پهنای باند شبکه، امنیت و حریم خصوصی اشاره کرد. در راستای رفع این چالش ها، رایانش مه به عنوان مکملی برای ابر معرفی شده است که در آن سرویس های رایانش ابری در لبه شبکه و نزدیک به کاربران ارائه می گردد. اخیرا رایانش مه-ابر به عنوان یک مدل محاسباتی امیدبخش بین محققان و صنعت مطرح شده است. اما این مدل محاسباتی هنوز به بلوغ نرسیده است و با چالش های متعددی همراه است. زمانبندی جریان کار یکی از مهمترین آنها به شمار می رود که در آن هر درخواست در قالب دنباله ای از وظیفه های وابسته بهم تعریف می شود که باهم تشکیل یک گراف جهت دار بدون دور می دهند. این مسئله شامل دو مرحله است: (1) مشخص کردن ترتیب اجرای وظیفه-ها و (2) نگاشت وظیفه ها به منابع محاسباتی مجازی در دسترس. در این تحقیق ابتدا یک مدل بهینه سازی چند هدفه برای مسئله زمانبندی جریان کار در محیط رایانشی مه-ابر مجازی سازی شده با هدف کمینه-سازی توام زمان خاتمه و مصرف انرژی سیستم ارائه می شود. سپس برای مرحله اول مسئله از الگوریتم فرا-ابتکاری NSGA-II استفاده می شود که در آن به منظور بهبود عملکرد الگوریتم، جمعیت اولیه به صورت نیمه-حریصانه تولید می شود. برای مرحله دوم نیز یک تکنیک ابتکاری کارآمد جهت تخصیص ماشین های مجازی به وظیفه ها پیشنهاد می گردد. به منظور ارزیابی کارایی الگوریتم پیشنهادی، آزمایش های گسترده ای روی مجموعه داده های مصنوعی و مجموعه داده های واقعی شامل گراف های واقعی اپی ژنومیکس، مونتاژ و لایگو صورت گرفته است. الگوریتم پیشنهادی از نظر زمان خاتمه و انرژی مصرفی به ترتیب با HEFT و GHEFT و از نظر معیارهای کارایی فاصله نسلی، فاصله نسلی معکوس و رویکرد برنامه نویسی هدف با الگوریتم چند هدفه MOHEFT مقایسه شده است. نتایج حاصل از شبیه سازی نشان می دهد که روش پیشنهادی زمان خاتمه را حدود 11.3% تا 45.6% و مصرف انرژی را حدود 3.8% تا 20.6% کاهش می دهد. متوسط درصد بهبود برای معیارهای فاصله نسلی، فاصله نسلی معکوس و رویکرد برنامه نویسی هدف به ترتیب حدو 2.3% ، 5.7% و 9.8% گزارش شده است.