ایران ترجمه – مرجع مقالات ترجمه شده دانشگاهی ایران

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری – ایران ترجمه – Irantarjomeh

 

مقالات ترجمه شده آماده گروه کامپیوتر
مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات رایگان

مطالعه ۲۰ الی ۱۰۰% رایگان مقالات ترجمه شده

۱- قابلیت مطالعه رایگان ۲۰ الی ۱۰۰ درصدی مقالات ۲- قابلیت سفارش فایل های این ترجمه با قیمتی مناسب مشتمل بر ۳ فایل: pdf انگیسی و فارسی مقاله همراه با msword فارسی -- تذکر: برای استفاده گسترده تر کاربران گرامی از مقالات آماده ترجمه شده، قیمت خرید این مقالات بسیار کمتر از قیمت سفارش ترجمه می باشد.  

چگونگی سفارش

الف – پرداخت وجه بحساب وب سایت ایران ترجمه (شماره حساب) ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.com شامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر -- مقالات آماده سفارش داده شده عرفا در زمان اندک یا حداکثر ظرف مدت چند ساعت به ایمیل شما ارسال خواهند شد. در صورت نیاز فوری از طریق اس ام اس اطلاع دهید.

قیمت

قیمت این مقاله: ۲۲۰۰۰ تومان (ایران ترجمه - Irantarjomeh)

توضیح

بخش زیادی از این مقاله بصورت رایگان ذیلا قابل مطالعه می باشد.

مقالات ترجمه شده کامپیوتر - ایران ترجمه - irantarjomeh

www.irantarjomeh.com

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

شماره       
۱۸۴
کد مقاله
COM184
مترجم
گروه مترجمین ایران ترجمه – irantarjomeh
نام فارسی
GreeDi: یک الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری
نام انگلیسی
GreeDi: An energy efficient routing algorithm for big data on cloud
تعداد صفحه به فارسی
۵۳
تعداد صفحه به انگلیسی
۱۴
کلمات کلیدی به فارسی
داده های بزرگ / کلان, رایانش ابری, الگوریتم مسیریابی, مراکز داده
کلمات کلیدی به انگلیسی
Big data, Cloud computing, Routing algorithm, Data centre
مرجع به فارسی
شبکه های اقتضایی
کالج علوم کامپیوتر و ریاضی، دانشگاه لیورپول، انگلستان
لابراتوآر فناوری اطلاعات پاریس، فرانسه
الزویر
مرجع به انگلیسی
Ad Hoc Networks; a School of Computing and Mathematical Science, Liverpool John Moores University, UK;  Department of Mathematics and Computer Science, Liverpool Hope University, UK;
Laboratoire dInformatique de Paris Nord-Institut Gallillee, France; Elsevier
سال
۲۰۱۵
کشور
انگلستان – فرانسه

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

GreeDi: یک الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری
چکیده
تراکم رو به ازدیاد رایانش ابری و طرف های حاضر در این عرصه، همانند کاربران، خدمات، فراهم آورندگان سرویس و مراکز داده، سبب رشد نمایی معنی داری در عناصر مختلف مرتبط با این فضا، نظیر تولید داده ها و انتقال آنها به طرف های موجود در فضای رایانشی ابری، ترافیک شبکه، و انرژی مصرف شده به وسیله زیر ساختارهای گسترده و انبوه رایانش ابری، شده است که خود با توجه به این مولفه نیازمند واکنش سریع و کارآمد در ارتباط با درخواست های انبوه کاربران می باشد. انتقال حجم گسترده ای از داده ها در بین گروه های فوق الذکر نیازمند پهنای باند بالا و ارتباط گسترده می باشد، که خود در مقایسه با صرف فرآیند پردازش داده ها، و  همچنین ذخیره سازی  داده های بزرگ بر  روی  مراکز داده ای ابری سبب مصرف مقادیر زیادی از انرژی شده است. بنابر این،  چنین مولفه ای را می توان بعنوان یکی از عوامل ایجاد و انتشار زیاد گاز دی اکسید کربن محسوب نمود. این میزان مصرف نیرو به هنگام انتقال داده های بزرگ به یک مرکز داده، قرار گرفته در فاصله ای تقریباً زیاد از موقعیت جغرافیایی کاربران، کاملاً مهم و معنی دار تلقی می شود. بنابراین، کاملاً ضروری است تا قابلیت یافتن مسیری را داشته باشیم که پایین ترین حد مصرف انرژی را داشته باشد و در عین حال قادر باشد تا اطلاعات را بین کاربران و مراکز داده ای مشخص شده جابجا نموده و بعلاوه این اطمینان حاصل شود که درخواست های کاربران، همانند زمان پاسخ، به خوبی برآورده می گردد.
تعامل اصلی این مقاله در ارتباط با الگوریتم GreeDi می باشد، که خود به عنوان یک الگوریتم مسیریابی شبکه مبنا تلقی می گردد که برای یافتن کارآمدترین مسیر انرژی به مرکز داده های ابری در ارتباط با پردازش و ذخیره سازی داده های بزرگ به شمار می آید. این الگوریتم در ابتدا با توجه به محاسبه وضعیت فرمول بندی می شود. رویکردهای برنامه نویسی خطی و دینامیکی مرتبط جهت مدل سازی این الگوریتم بکار گرفته شده اند. این الگوریتم متعاقباً با توجه به ویژگی الگوریتم کوتاهترین مسیر با حداقل تعداد گره های سیر شده، با استفاده از یک توپولوژی شبکه فیزیکی ISP حقیقی ایتالیایی، مورد ارزیابی قرار می گیرد.
کلمات کلیدی: داده های بزرگ / کلان، رایانش ابری، الگوریتم مسیریابی، مراکز داده

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۱- مقدمه
در خلال دهه گذشته، کاربرد رایانش ابری جهت انجام مشاغل و خدمات فردی به سرعت بر مبنای الگوی بر حسب تقاضا و پرداخت به هنگام نیاز ارتقا یافته است. چنین موردی به واسطه ارائه مدل بسیار ساده فراهم آوری خدمات رایانشی ابری میسر شده است: در این مدل، فراهم آورندگان خدمات اقدام به ارائه منابع رایانشی دارای عملکرد بالا به کاربران نهایی می نمایند. کاربران نهایی نیز مشترک منابعی خواهند شد که بدان ها نیاز دارند. بنابر این، به طور آشکار در این زمینه لازم است که نوعی اتصال شبکه پر سرعت بین کاربران و فراهم آورندگان خدمات ایجاد شود تا قابلیت فرمول بندی چنین مدلی فراهم گردد. شرکت داده های بین المللی (IDC) در مرجع [۱] اطلاعات قابل توجهی را منتشر نموده است که نشان دهنده این موضوع می باشد که خدمات رایانشی ابری جهانی و کاربرد آنها (یعنی فضای ذخیره سازی مبتنی بر شبکه) از افزایش قیمتی از ۱۶ بیلیون دلار در سال ۲۰۰۸ به ۴۲ بیلیون دلار در سال ۲۰۱۲ برخوردار بوده است، که به طور آشکار مشخص کننده این موضوع می باشد که رایانش ابری فراهم آورنده فضای قدرتمند ذخیره سازی اطلاعات، رایانش / محاسبات و قابلیت های توزیعی جهت مشخص سازی و ایجاد نوعی ساختار و فرآیند قابل توجه برای داده های بزرگ یا کلان می باشد (همانند اطلاعات پزشکی، ویدیویی و تصویری و آرشیوهای مربوط بدان، یا برنامه های کاربردی علمی) که تمامی آنها به وسیله کلیه طرف های ذی نفع در عرصه رایانش ابری پدیدار گردیده اند.
این رشد سریع در خدمات ابری، نمایش و تقاضا، به نظر قابلیت تولید درآمدی نزدیک به ۳۵ بیلیون یورو صرفاً در اروپا تا سال ۲۰۱۴ را داشته است [۲]. این انتظار به عنوان یک نقطه جهش برای بزرگترین شرکت های جهانی (همانند گوگل، آمازون، سیسکو) به شمار می آید تا از این طریق سرمایه گذاری سنگینی را در زیرساختارها و مراکز داده ای رایانش ابری فراهم سازند. نه تنها شرکت های بزرگ هدف ساخت مراکز داده ای خاص خود را دنبال می کنند، بلکه شرکت ها و مؤسسات دیگر (نظیر مؤسسات علمی) همگی هم اکنون سعی تحصیل و استفاده از مراکز داده ای ابری خصوصی و عمومی خود نموده اند. به طور مثال، دانشگاه سالفورد منچستر اقدام به سرمایه گذاری ۷/۵ میلیون پوندی در ارتباط با رایانش ابری نموده است [۳].
این تراکم فزاینده در کاربران رایانش ابری، فراهم آورندگان خدمات، و مراکز داده سبب افزایش معنی داری در ترافیک شبکه و همچنین انرژی مصرف شده مرتبط با آن به وسیله زیر ساختارهای بزرگ این شبکه (نظیر سرورهای و سوئیچ های بیشتر) شده است، که خود جهت پاسخگویی سریع و کارآمد به درخواست های کاربران ضروری تلقی می شوند. به علاوه، انتقال داده ها بین مراکز داده و کاربران ابری سبب افزایش مقادیر بیشتر انرژی، در مقایسه با صرف فرآیند پردازش، می شود و به علاوه ذخیره سازی داده ها بر روی مراکز داده ابری نیز از جمله مواردی تلقی می گردد که سبب مصرف انرژی بیشتری خواهد شد [۴] و بنابراین این مولفه خود سبب تولید و انتشار گاز دی اکسید کربن زیادی می شود. مصرف نیرو در این زمینه مخصوصاً به هنگامی مهم تلقی می شود که اقدام به انتقال داده ها به مرکزی شود که تا اندازه ای دور از موقعیت جغرافیایی کاربران قرار گرفته است. به طور مثال، کاربری در لیورپول انگلستان را در نظر بگیرید که مرکز داده مورد نظر وی در هنگ کنگ قرار گرفته است [۵]. به علاوه، پهنای باند وسیعتر و سرعت بیشتر شبکه خود نیاز به تعامل بیشتر با ترافیک شبکه ابری و افزایش سرعت فرآیند انتقال داده ها را بیشتر ساخته است که خود نهایتاً منجر به تولید بیشتر گاز دی اکسید کربن خواهد شد [۶]. چنین موردی در مقابل ضروریات مطرح شده محیط زیستی می باشد که در گزارش سال ۲۰۱۱ آژانس ارزیابی محیط زیست هلند PBL و همچنین کمیسیون اروپا JRS [۷] و به علاوه در مرجع [۸] مطرح شده و در آن بر روی مسئله کاهش مصرف انرژی و همچنین تقلیل حجم انتشار گاز CO۲ به میزان ۱۵ الی ۳۰% قبل از سال ۲۰۲۰ جهت تعامل و برخورد با افزایش دمای جهانی زیر دو درجه سلسیوس تأکید شده است. بنابراین، مصرف سریع انرژی و انتشار CO۲ در ارتباط با کاربرد فضای ابری خود به عنوان یک نگرانی جدی محیط زیستی مطرح شده است.
راه حل مسیریابی کارای انرژی برای رایانش ابری به منظور اطمینان از پایداری یا ثبات محیطی ارائه گردیده است. از آنجایی که مصرف انرژی مراکز داده توجه زیادی را به خود جلب نموده است، فرآیند مربوط به مصرف انرژی شبکه رایانش ابری هنوز در دوران طفولیت خود به سر برده و نیازمند تحقیقات و توسعه بیشتر به منظور مشخص سازی ویژگی های کامل آن می باشد.
ادامه این مقاله به شرح ذیل سازماندهی شده است: بخش ۲ مشخص کننده اهداف اصلی این مقاله می باشد. تحقیقات مرتبط در بخش ۳ خلاصه شده اند. مدل پیشنهادی در بخش ۴ مورد بحث قرار می گیرد، که شامل بحث پیرامون محاسبات مبتنی بر موقعیت و کاربرد آنها جهت تحلیل توپولوژی شبکه نیز خواهد بود. رویکردهای مدل سازی برنامه نویسی خطی هدف و ویژگیهای دینامیکی آن نیز در فصل ۵ مورد بحث قرار می گیرند. ارزیابی مدل پیشنهادی با جزئیات مربوط به آن در بخش ۶ ارائه می شود. در نهایت، نتیجه گیری و مؤلفه های مرتبط با تحقیقات آتی در فصل ۷ ارائه خواهد شد.

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۲- اهداف
دو ویژگی اصلی در ارتباط با مصرف انرژی رایانش ابری وجود دارد که می بایست به صورت کارآمد و بالسویه جهت حاصل آوردن شبکه رایانش ابری کاملاً سبز آنها را در نظر داشت:
  • میزان انرژی مصرفی در مراکز داده و
  • میزان انرژی مصرفی در خصوص انتقال داده ها بین کاربر و مرکز داده ای ابری.
از آنجایی که راه حل های نوین کنونی به طور ابتدا به ساکن بر روی ارتقای انرژی مصرفی در مراکز داده تمرکز دارند، همانگونه که بخش بعدی نشان خواهد داد، هدف اصلی این مقاله پیشنهاد و ارزیابی یک الگوریتم مسیریابی مناسب تحت عنوان مدیر سبز (GreeDi) جهت مخاطب قرار دادن چنین شکافی می باشد. الگوریتم GreeDi به عنوان یک پل واسطه برای هدایت درخواست های کاربران به مراکز اطلاعات سبز بر حسب کاربرد کارآمدترین مسیر جهت حاصل آوردن یک شبکه رایانشی ابری کاملاً سبز، و در عین حال اطمینان از برآورده سازی ضروریات مربوط به کاربران، همانند زمان پاسخ، می باشد.
جهت حاصل آوردن چنین هدفی، ما در ابتدا اقدام به مدل سازی شبکه رایانش ابری و میزان مصرف نیروی آن به عنوان مبنایی جهت محاسبه انرژی مورد نیاز به وسیله شبکه ابری قبل و بعد از بکارگیری الگوریتم پیشنهادی می نماییم. متعاقباً ما اقدام به فرمول بندی اتصالات بینابینی بین کاربر ابری و مرکز داده ابری، با استفاده از یک مدل محاسبه موقعیت جهت تعریف وضعیت منطقی این شبکه، می نماییم. به هنگامی که چنین ارتباطی فرمول بندی و ارائه شد، ما متعاقباً اقدام به محاسبه انرژی مورد نیاز برای انتقال داده ها خواهیم نمود. رویکرد برنامه نویسی خطی نیز جهت مدل سازی الگوریتم پیشنهادی بکار گرفته خواهد شد، که نهایتاً قابلیت ارزیابی در برابر خط مشی مسیریابی کوتاهترین مسیر شناخته شده را خواهد داشت.

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۳- تحقیقات مرتبط
مصرف انرژی و تحلیل آن از طرف حوزه های مختلف علوم کامپیوتری و چشم اندازهای گوناگون، نظیر معماری های سخت افزاری، شبکه های معماری نرم افزار و حتی فناوری های I/O (همانند ذخیره سازی) مورد بررسی و مطالعه قرار گرفته است. بحث پیرامون اجزای مختلفی که در تعامل با مجموع انرژی مصرفی در محیط های ابری می باشد و چگونگی مخاطب قرار دادن آنها در چنین مواردی را می توان در مرجع [۹] یافت. با این وجود، مرتبط ترین راه حل ها و یکی از مواردی که از رابطه بینابینی تنگاتنگی با چنین موضوعی برخوردار می باشد در بخش جاری مورد بررسی قرار خواهند گرفت. بسیاری از الگوریتم ها و پروتکل های مسیریابی کارایی انرژی در مباحث مطرح شده، نظیر مرجع [۱۰ ـ۱۲] پیشنهاد شده اند، که در حقیقت می توان آنها را به دو دسته اصلی تقسیم نمود: (۱) الگوریتم های مسیریابی با حداقل انرژی [۱۰]، و (۲) الگوریتم های مسیریابی با قابلیت به حداکثر رسانی چرخه زمانی شبکه [۱۱، ۱۲]. اولین مورد سعی در یافتن مسیری می نماید که از بیشترین کارایی انرژی در ارتباط با انتقال پاکت های داده از فرستنده به گیرنده برخوردار باشد. در عین حال، الگوریتم دیگر سعی در ایجاد تراز در خصوص نیروی باقیمانده باتری در هر کدام از گره های واسطه ای می نماید.

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۴- مدل پیشنهادی: قواعد و اصول
از آنجایی که تحقیق قبلی بر روی چگونگی حاصل آوردن مراکز داده سبز تمرکز داشت، چنین موردی به ما در خصوص بکارگیری فرضیه ذیل در مبحث جاری کمک می نماید:
تقریباً n مرکز داده سبز وجود دارند که با استفاده از آنها یک ماشین کاربر i می تواند به اینترنت متصل گردیده تا قابلیت تکمیل وظایف خود را داشته باشد.
بنابراین، یکی از این مراکز موجود داده مورد استفاده قرار می گیرد، که از طریق آن می توان نسبت به دسترسی به مسیری اقدام کرد که از کارآمدترین ویژگی در ارتباط با انرژی برخوردار می باشد. به عبارت دیگر، در بین مسیرهای متعدد به یک مرکز داده سبز، کارآمدترین مسیر انرژی به وسیله چارچوب جدید انتخاب خواهد شد.
 
۴ـ۱٫ مدل سازی مصرف نیروی شبکه
مدل سازی مصرف نیرو شبکه ابری به عنوان بخش الزامی از این تحقیق به شمار می آید، چرا که چنین موردی را می توان به عنوان مبنایی به شمار آورد که بقیه مقالات و دیگر محاسبات و الگوریتم های پیشنهاد شده در چنین مبحثی بر مبنای آن عمل خواهند نمود. بر حسب مراجع [۲۷ ـ ۳۰]، یکی از گسترده ترین روش های پذیرفته شده برای مدل سازی مصرف نیروی زیر ساختارهای شبکه توزیعی گسترده، نظیر شبکه ابری، بر مبنای تجهیزات ارتباطاتی از راه دور و ویژگی های تاریخی در خصوص فروش آنها (یعنی با شناختن مقدار و نوع تجهیزات شبکه، مصرف انرژی این تجهیزات را می توان به راحتی و آسانی محاسبه نمود) می باشد. با این وجود، این رویکرد به تنهایی قابلیت مشخص سازی ساختار حقیقی شبکه را نخواهد داشت. به هنگامی که چنین ساختاری به خوبی شناخته شود، اجزای ضروری را می توان مشخص ساخت و مصرف انرژی را بر این مبنا می توان به خوبی محاسبه نمود.
۴ـ۲٫ مدل سازی اتصال کاربر به مرکز داده
اتصال بین یک ماشین کاربر i و مرکز داده DCi، از طریق الگوریتم پیشنهادی بر مبنای ساختار ابری عمومی نشان داده شده در شکل ۱ فوق و همچنین مرجع [۳۴] می باشد، که در مقاله جاری به صورت یک نمودار نشان داده خواهد شد. بنابراین، بین هر ماشین i و مرکز DCi، ما در نظر می گیریم که دارای یک نمودار میان اتصالی  می باشیم.
که در آن Vi ارائه دهنده لیستی از گره های موجود بین هر یک از ماشین های i و مرکز DCi است، و  نیز بیان کننده انواع گره ها می باشد، که شامل شش نوع مختلف گره ها خواهد بود. بنابراین، همانگونه که در شکل ۱ نشان داده شده است، هر گره v، که در آن v Î Vi نیز در نظر خواهد بود می تواند به صورت ذیل باشد: یک سوئیچ اترنت (T(v) = 0)، یک مسیریاب گیت وی پهن باند (T(v) = 1)، یک مسیریاب گیت وی مرکز داده (T(v) = 2)، یک روتر لبه فراهم آورنده خدمات (T(v) = 3)، یک روتر هسته (T(v) = 4)، و یک دستگاه WDM با قابلیت ارائه لینک ها و تجهیزات انتقال اطلاعات (T(v) = 5)، تا از این طریق قابلیت اتصال روترهای هسته، به عنوان بخشی از اترنت عمومی، وجود داشته باشد.
۴ـ۳٫ تحلیل رسمی توپولوژی شبکه
در تحلیل اولیه، این شبکه کاملاً توزیع شده تلقی شده و الزاماً دارای اطلاعات کلی در زمینه حالت خود نمی باشد. بنابراین لازم است تا قابلیت بکارگیری یک فرمول جهت تعریف حالت منطقی شبکه کاربر را داشته باشیم که متکی به ویژگی حالت بیان شده صریح نمی باشد. به همین منظور، محاسبه موقعیت ها یا وضعیت های ارائه شده در مرجع [۳۵] را در نظر می گیریم که در آن یک موقعیت به عنوان تاریخچه ای از عملکردهای قبلی تلقی شده و موقعیت دیگر، s، به یک موقعیت متفاوت دیگر، do(a, s)، از طریق بکارگیری عمل a در موقعیت s تبدیل می شود. حالت منطقی این سیستم متعاقباً از شرایط اولیه یعنی اصل های اثر، قاب و شرط تعیین خواهد شد. همانگونه که در مرجع [۳۵] تشریح شد، مسئله قاب را می توان با استفاده از ترکیب اصل های قاب و اثر به اصل های حالت متعاقب آن حاصل آورد. بنابراین، برازندگی یک گره v Î Vi در شبکه i کاربران را می توان بر مبنای مورد ذیل بیان داشت:
۴ـ۴٫ انرژی مورد نیاز برای انتقال
برای آنکه هر یک از کارهای کاربران را بتوان پردازش نمود، ما در نظر می گیریم که دارای مورد ذیل هستیم: مقدار فلاپ هایی که مورد نیاز wu می باشد. مقدار بیت های ورودی inu جهت پردازش، و مقدار بیت های خروجی ouu که می بایست بازگردانده شوند.
بنابراین، در صورتی که به انرژی ETsend(i) برای ارسال یک بیت از کاربر به مرکز داده و ETrecv(i) برای ارسال معکوس نیاز داشته باشیم، مجموع هزینه انتقال انرژی مورد نیاز برای پردازش Ju برابر است با: inu.ETsend(i) + ouu.ETrecv(i) جهت مدل سازی ETsend(i) و ETrecv(i)، ما در نظر می گیریم که داده های ارسالی از یک ماشین کاربر به یک مرکز داده غالباً بر روی مسیری ارسال می شود که رله کننده دو نقطه اتصال (کوتاهترین مسیر) است. در ارتباط با کاربرد فرمول های پیشنهادی در مرجع [۳۴]، انرژی مورد نیاز برای ارسال یک بیت از یک کاربر به یک مرکز دیتا برابر است با:
۴ـ۵٫ زمان مورد نیاز برای انتقال
ما یک مدل ارتباطاتی ساده را در نظر می گیریم، یعنی ذخیره سازی و ارسال به جلو، که در آن هر گره به انتظار دریافت کامل داده ها قبل از پردازش آن خواهد ماند. زمان تقریبی مورد نیاز برای ارسال بیت های a بر روی لینک  برابر با مورد ذیل خواهد بود:
که در آن همانگونه که در بخش ۴ـ۲ ذکر شد Li : Ei ® N مشخص کننده تأخیر بین گره های متصل شده e Î Ei به شمار آمده و Bi معرف پهنای باند می باشد. ایده مرتبط با این موضوع آن است که یا آنکه پهنای باند می تواند حاوی بیت های ارسالی باشد، یا آنکه ما می بایست قابلیت تقسیم داده ها جهت ارسال آنها در بلوک های مختلف بر مبنای پهنای باند را داشته باشیم. در نهایت، ما در نظر می گیریم که مسیر های pthp و pthp¢ Î Pth برای ارسال داده های کاربر در هر دو مسیر بکار گرفته شده اند. بنابراین، کل زمان مورد نیاز برای انتقال یا ارسال یک وظیفه Job Ju در هر دو مسیر مساوی با مورد ذیل خواهد بود:
 
۴ـ۶٫ انرژی و زمان مورد نیاز برای محاسبه
ما در نظر می گیریم که هر وظیفه Ju به وسیله یک ماشین واحد در مرکز داده ها مورد پردازش قرار می گیرد. به علاوه ما این فرض را مطرح می نماییم که هر مرکز داده DCi متشکل از مجموعه مشخصی از ماشین های همگنی می باشد که برای پردازش یک فلاپ می بایست اقدام به مصرف EP(i) نماید. بنابراین، برای پردازش یک وظیفه Ju، مرکز داده DCi مصرف wu · EP(i) را خواهد داشت.

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۵- رویکرد مدل سازی
۵ـ۱٫ فرمول بندی برنامه نویسی خطی
برای پردازش وظایف کاربران، الگوریتم GreeDi پیشنهادی بکار گرفته خواهد شد، که قابلیت مسیردهی وظایف کاربران به سمت مراکز داده ای توصیف شده سبز از طریق کارآمدترین مسیر از نظر انرژی را خواهد داشت تا آنکه قابلیت به حداقل رسانی مصرف انرژی و همچنین زمان پاسخ سرویس (SRT) به وجود آید. با این وجود، چنین موردی سبب ایجاد مشکل محاسباتی ذیل می گردد که می بایست قابلیت حل آن را داشت: در اینجا با m وظیفه کاربر، J۱,…, Jm، رو به رو هستیم که می بایست قابلیت ارائه آن به گیت وی مربوطه را داشته باشیم. این گیت وی که می توان آن را در این مبحث به عنوان یک ماشین سرور در نظر گرفت به هر مرکز داده DCi از طریق گراف Gi متصل شده است. هر وظیفه کاربر با یک فایل مرتبط ارسال خواهد شد که قابلیت شامل سازی ضروریات SLA غیرکاربردی نظیر زمان پاسخ حداکثری را خواهد داشت که کاربر برای پردازش وظیفه یا درخواست خود انتظار دارد. در نهایت، هر مرکز داده DCi در ارتباط با یک ظرفیت خاص qi می باشد که بر مبنای آن اقدام به آغاز تعداد حداکثری از وظایفی خواهد نمود که الگوریتم GreeDi به آن ارسال داشته است. این پارامتر منوط به ویژگی های مذاکره شده بین چارچوب مرتبط و فراهم آورنده خدمات ابری می باشد. همانگونه که مشاهده خواهیم نمود، qi برای اطمینان از یک زمان پاسخ حداقلی در ارتباط با اجرای درخواست های کاربران مهم تلقی می شود. گیت وی این چارچوب می بایست قابلیت انتخاب هر Ju مرکز داده را داشته باشد آن هم به گونه ای که: بتوان نسبت به بحداقل رسانی مجموع انرژی مصرفی اقدام نمود (هم در ارتباط با انتقال اطلاعات و هم پردازش آن، همانگونه که قبلاً مورد بحث قرار گرفته است)، و در عین حال این اطمینان را بدهد که پردازش داده ها در خلال یک زمان پاسخ حداقلی مشخص شده بر حسب فایل مورد نظر کاربر اعمال خواهد شد. برای فرمول بندی برنامه نویسی خطی، ما یک متغیر تصمیم x(i, u) Î ۰, ۱ را در نظر می گیریم که مشخص کننده آن خواهد بود که آیا وظیفه Ju قابلیت پردازش بر روی مرکز داده DCi را خواهد داشت یا خیر. بر این مبنا اجازه دهید تا اقدام به مشخص سازی زمان پاسخ حداکثری سرویس برای پردازش وظیفه Ju (همانگونه که در فایل مقصد کاربر مشخص شده است)، با استفاده از MSRTu، را داشته باشیم. بنابراین، این مسئله را می توان به عنوان برنامه خطی عددی صحیح ترکیبی ذیل ارائه داد:
۵ـ۲٫ فرمول بندی برنامه نویسی هدف
برای هر وظیفه Ju ما نسبت به معرفی دو متغیر انحراف واقعی  و  اقدام نمودیم. یک وظیفه Ju را می توان صرفاً در صورتی بر روی مرکز داده ای DCi قرار داد:
۵ـ۳٫ رویکرد برنامه نویسی دینامیکی
در این راه حل ما یک آرایه دو بعدی Z Î Rn ´ m را حاصل می آوریم. هر Z(i, l) متناظر با یک وظیفه تخصیص یافته J۱,… Jl−۱ برای مراکز داده می باشد که در آن Jl مرتبط با مرکز داده DCi خواهد بود. در شروع این الگوریتم، ما اقدام به محاسبه مورد ذیل خواهیم نمود:

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۶- ارزیابی
سناریو ارائه شده در این بخش به دنبال نشان دادن این موضوع می باشد که چگونه مجموع انتقال انرژی منجر به هدایت درخواست یک کاربر به سمت یک مرکز داده سبز مشخص شده می گردد. ذیلاً، ما در ابتدا توپولوژی فیزیکی شبکه بکار گرفته شده برای ارزیابی کارایی انرژی را ارائه می نماییم و متعاقباً جزئیات انواع گره ها در هر مسیر در توپولوژی عرضه شده را بررسی نموده و در نهایت اقدام به محاسبه مصرف انرژی و مقایسه آن با نتایج نهایی خواهیم کرد.
۶ـ۱٫ توپولوژی فیزیکی
توپولوژی شبکه که ما از آن استفاده نمودیم قابلیت استفاده از طراحی سلسله مراتبی را خواهد داشت که به صورت فیزیکی به وسیله یک فراهم آورنده خدمات اینترنتی در ایتالیا مورد استفاده قرار گرفته است [۴۰]. چهار سطح گره ها ارائه شده در این توپولوژی عبارتند از: گره هسته، گره بکبون، گره مترو و گره دسترسی. در عین حال سطح بالا معرف گره های هسته خواهد بود. گره های هسته در امتداد آنچه تحت عنوان نقاط حضور مرکزی (POPs) نامیده می شوند توزیع گردیده اند، که عمدتاً در سایت های بزرگ قرار گرفته اند. هر کدام از این POP های مرکزی دارای جفتی از گره های هسته ای می باشند. گره های هسته در هر POP مرکزی به یکدیگر متصل بوده، و همچنین به گره های هسته در سایت های مجاور نیز غالباً با استفاده از دو لینک برای محافظت از بروز مشکل متصل گردیده اند. یک مسیریاب یا روتر پیرینگ داخلی با ظرفیت بالا به گره های هسته متصل گردیده تا قابلیت اتصال به اینترنت را فراهم آورد. با توجه به این موضوع، جهت اتصال به اینترنت، می توان از تعدادی از گره های هسته عرضی استفاده نمود تا از این طریق و با کاربرد POP مرکزی قابلیت اتصال اینترنتی را به وجود آوریم.
۶ـ۲٫ ارزیابی انرژی و نتایج
در این سناریو، سه مسیر استاندارد وجود دارند که به یک مرکز داده ابری سبز منتهی می شوند. این سه مسیر دارای ساختار مختلفی بر حسب تعداد گره ها، توان و ظرفیت، وابستگی به Chief POP و POP مرکزی، می باشند که مشخصات آنها به شرح ذیل ارائه گردیده است:

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

 

۷- نتیجه گیری
کارایی انرژی به عنوان یک اولویت بالا در ارتباط با اهداف محیط زیستی شبکه ابری به شمار می آید، که شامل پایداری مراکز داده نیز می باشد. از آنجایی که مراکز داده بیشترین مقدار انرژی را در کل شبکه ابری مصرف می نمایند، چنین موردی با وسعت و گستردگی مورد بررسی قرار گرفته و راه حل هایی قبلاً به منظور حاصل آوردن مراکز داده سبز ارائه گردیده و پیاده سازی شده اند. این مقاله در تعامل با کارایی انرژی مسیریابی ابری، به جای میزان مصرف انرژی مراکز داده، می باشد و نسبت به ارائه و ارزیابی چارچوب مسیریابی کارآمد انرژی جدیدی تحت عنوان GreeDi اقدام می نماید. یک تحلیل رسمی قابلیت اتصال شبکه ابری از طریق محاسبه موقعیت انجام شده است. الگوریتم GreeDi با استفاده از توپولوژی ISP ایتالیایی مورد ارزیابی قرار گرفته است که دارای سه مسیر مختلف به مرکز داده ابری سبز می باشد. از نتایج این مثال که در مقاله جاری نشان داده شده است می توان استنباط نمود که رویکرد کوتاهترین مسیر متفاوت از رویکرد کارایی انرژی می باشد و بنابراین مسیر کارایی انرژی جهت تطابق با اهداف محیطی برگزیده شده است. همانند شبکه های دیگر، خرابی گره ها ممکن است در هر زمان به هنگام انجام فرآیندهای ارسال و دریافت داده ها روی دهد، که می تواند منجر به بروز میزان مصرف متفاوت انرژی و نیرو شود. بنابراین، تعداد گره های میانی، قابلیت و مصرف نیروی هر گره بین کاربر و مرکز داده ابری دارای تأثیر مستقیمی بر روی ETsend و ETrecv می باشد، همانگونه که در نتایج تجربی نشان داده شده است. نتایج حاصله از بخش ارزیابی در این مقاله مؤکد آن است که تصمیم در خصوص این موضوع که کدام مسیر به عنوان کارآمدترین مسیر انرژی می باشد را صرفاً می توان پس از انجام عملیات موفق ارسال و دریافت داده ها مشخص ساخت تا از این روند اطمینان حاصل شود تا محاسبه بر مبنای گره های طی شده استوار باشد.
تحقیقات آتی در این زمینه شامل تحلیل و به حساب آوردن زمان ضروری برای انتقال داده ها و انرژی و زمان مور نیاز برای محاسبه، بین مراکز داده و کاربران، و بین مراکز داده ها و خود آنها می باشد، تا آنکه قابلیت مشخص سازی و ارزیابی این موضوع وجود داشته باشد که چگونه الگوریتم پیشنهادی بر حسب محاسبه مؤلفه های مصرف انرژی عمل می نماید.
 

GreeDi: الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

پاسخی بگذارید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

لطفا به جای کپی مقالات با خرید آنها به قیمتی بسیار متناسب مشخص شده ما را در ارانه هر چه بیشتر مقالات و مضامین ترجمه شده علمی و بهبود محتویات سایت ایران ترجمه یاری دهید.
تماس با ما

اکنون آفلاین هستیم، اما امکان ارسال ایمیل وجود دارد.

به سیستم پشتیبانی سایت ایران ترجمه خوش آمدید.