برای جستجو در بین هزاران پایان نامه در موضوعات مختلف     

      و دانلود متن کامل آنها با فرمت ورد اینجا کلیک کنید     

 
دانلود پایان نامه

تلاش‌های بسیار زیادی در سطوح مختلف، به خصوص در سالهای اخیر برای کاهش مصرف انرژی رایانه‌‌ها به طور عام و مراکزداده به طور خاص صورت پذیرفته است که سبب کاهش نرخ رشد مصرف انرژی آنها گردیده‌است. اما هنوز هم میزان و سهم مصرف انرژی در این مراکز بسیار زیاد است.
از سوی دیگر درصد زیادی از اوقات منابع سخت افزاری این مراکز بیکار یا کم کارند و این در حالی است که در همان اوقات بخش قابل توجهی از بیشینه‌ی انرژی مصرفی خود را مصرف می‌کنند. این عامل سبب اتلاف مقادیر عظیمی انرژی است. تلاش‌های خاصی برای حذف یا کم کردن این بخش از اتلاف انرژی نیز صورت گرفته است که پایان نامه‌ی حاضر یکی از آنهاست.
ما در این پایان نامه، با استفاده از روش نوینی به نام ترکیب ماشین‌های مجازی، سعی بر تغییر پویای تعداد سرورهای روشن و فعال مرکز داده، متناسب با حجم کارهای رسیده به مرکز داده نمودیم و از این راه تعداد سرورهای کم کار را به حداقل رسانده و سایر سرورها را در حالت کم مصرف قرار دادیم.
در مرحله‌ی طراحی و پیاده سازی تلاش بر استفاده از الگوریتم‌ها و روش‌های با پیچیدگی کم و استفاده از ابزارهای سیستمی جهت کاهش سربار نرم افزار پیاده سازی شده نمودیم.
با استفاده از بررسی کارهای گذشته، تحلیل‌های آماری و انجام یک سری آزمایشات و اندازه گیری‌های اولیه در مراحل توسعه و تست نهایی، تلاش نمودیم تا مناسبترین پیکربندی ممکن را برای نرم افزار خود بیابیم.
با انجام آزمایشات و اندازه‌گیری، نشان داده شد که بسته‌ی نرم افزاری پیاده سازی شده توانایی خوبی در کاهش مصرف انرژی مراکزداده دارد. برای بارکاری هدف و پیکر بندی صحیح توانستیم میزان برق مصرفی محیط آزمایش را تا 34% کاهش دهیم. این رقم با احتساب تمامی سربارهایی است که اجرا و اقدامات خود بسته منجر می‌شود. این رقم کاهش مصرف انرژی در ازاء تنها 6% کاهش کیفیت سرویس دهی بود که برای گروه وسیعی از کاربردها قابل قبول است. در پیکر بندی دیگر کاهش 30% مصرف برق به کاهش 9% کیفیت سرویس دهی منجر شد.
با توجه به اعداد و ارقام مربوط به میزان برق مصرفی مراکزداده و هزینه‌های آن و همچنین بحران جهانی انرژی این نتایج بسیار با اهمیت و موفقیت آمیزاند. هر چند با ادامه‌ی کار در این زمینه، بهبود در نتایج چه از نظر صرفه‌جویی بیشتر و چه از نظر افزایش سطح کیفیت سرویس کاملاً امکان پذیر به نظر می‌رسد.
پیشنهادها
ترکیب ماشین مجازی به صورت نیمه ایستا (در بازه‌های زمانی طولانی) به شرط استفاده از تحلیل‌های صحیح آماری برای پیشبینی وضعیت آینده‌ی نیاز به منابع، می‌تواند منجر به نتایجی قابل قبول از نظر میزان صرفه‌جویی انرژی گردد. این در حالی است که استفاده از این روش تعداد مهاجرت‌ها را به حداقل می‌رساند؛ از این رو هم پایداری سیستم بالاتر می‌رود و هم سربارهای ناشی از مهاجرت‌ها و تغییر حالات ماشین‌ها کمتر می‌گردد.
با ارائه پیکربندی‌های متناسب با نوع و محیط کاربرد برای صرفه جویی در مصرف برق، که به جای افزایش پیچیدگی الگوریتم‌های تصمیم گیری با افزودن پارامترهای گوناگون (مانند توافق سطح سرویس) به معادلات، می‌توان با ارائه‌ی بسته‌های با کاربرد خاص با هزینه‌ی کمتر به نتایجی بهتر از آنچه روش‌های پیچیده منجر می‌شوند دست یافت.
افزودن الگوریتم‌های یادگیری برای دریافتن بهترین مقادیر برای پارامترهای سیستم و یافتن پیشبینی نیاز منابع در آینده. در نهایت این راه حل به ارائه‌ی بسته‌ای انطباق پذیر با شرایط کاری مرکز داده منجر می‌شود. این راه حل برای مراکزداده‌ای که هیچگونه اطلاعی در مورد نوع کاربرد و احتمال و دامنه‌ی تغییر بارکاری آن در دست نداریم.
علی رغم تمام کارهای انجام شده در این زمینه، هیچیک نتوانسته‌اند از تمامی ظرفیت موجود برای صرفه جویی مصرف انرژی بهره ببرند.
مشکل دیگر این است که از آنجا که هر موسسه‌ای که خدماتی را به پشتوانه‌ی مراکزداده ارائه می‌کند، هزینه‌ی گزافی بابت بهای انرژی مصرفی‌اش پرداخت می‌کند، به نظر می‌رسد انگیزه‌ی کافی برای استفاده از روش‌های کاهش مصرف انرژی برای مالکان این مراکزداده وجود دارد. اما این در حالی است که در حال حاضر هیچیک از مراکزداده و ارائه دهندگان ابرواره در جهان، از این روشها سود نمی‌برند [Buyya, 2010]. راهکارهای ارائه شده، یا جوابگوی واقعی نیازهای صنعت نبوده‌اند و یا دارای اعتبار و پایداری و قابلیت عملی شدن کافی برای استفاده در صنعت نبوده‌اند. به هر حال مادامی که این خلاء میان صنعت و کارهای پژوهشی در این زمینه وجود دارد، ارائه‌ی راه حل‌های جدیدتر و در ظاهر کاراتر بی‌فایده است.
فهرست منابع
[AMD, 1998] AMD White Paper, Magic Packet Technology Advance Micro Devices,1998. http://www.amd.com/us-en/ConnectivitySolutions /TechnicalRes- ources/0,,50_233 4_2481,00.html.
[Armbrust, 2010] Armbrust, M., Fox, A., Griffith, R., Joseph, A. D., Katz, R., Konwinski, A. & Zaharia, M. “A view of cloud computing.” Communications of the ACM Vol. 53, No. 4, pp. 50-58, 2010.
[Armbrust, 2009] Armbrust, M., Fox, A., & Griffith, R. “Above the clouds: A Berkeley view of cloud computing.” Dept. Electrical Eng. and Comput. Sciences, University of California, Berkeley, Tech. Rep. UCB/EECS 28 (2009).
[Barford, 1998] Barford, P., & Crovella, M. “Generating representative web workloads for network and server performance evaluation.” ACM SIGMETRICS Performance Evaluation Review. Vol. 26, No. 1, pp. 151-160, 1998.
[Barham, 2003] Barham, P., Dragovic, B., Fraser, K., Hand, S., Harris, T., Ho, A., Neugebauer, R., Pratt, I. & Warfield, A. “Xen and the art of virtualization.” ACM SIGOPS Operating Systems Review. vol. 37, no. 5, pp. 164-177.2003.
[Barroso, 2007] Barroso, L. A., & Holzle, U. “The case for energy-proportional computing.” IEEE Computer. Vol. 40, no. 12, pp.33-37. 2007.
[Beloglazov, 2010] Beloglazov, A., & Buyya, R. “Adaptive threshold-based approach for energy-efficient consolidation of virtual machines in cloud data centers.” Proceedings of the 8th International Workshop on Middleware for Grids, Clouds and e-Science Bangalore, India. p. 4. 2010.
[Beloglazov, 2012] Beloglazov, A., & Buyya, R. “Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers.” Concurrency and Computation: Practice and Experience (CCPE), 2012.
دسته بندی : علمی