افزایش کارآیی مدیریت بار کاری مشبک با رویکرد عاملهای یادگیر

گرید محاسباتی بعنوان الگوی جدیدی برای نسل بعدی بسترهای محاسباتی؛ توانایی به اشتراک گذاری، تجمیع و انتخاب منابعِ توزیع شده را فراهم می کند. گرید در حوزه های مهندسی، علمی و اقتصاد برای حل مسائلِ با مقیاس بزرگ مورد استفاده قرار گرفته است و با پیشرفت فن آوری، پروتکل ها و بسترهای آن؛ بی تردید در آینده استفاده از آن فراگیرتر خواهد شد. منابعِ به اشتراک گذاشته شده در گرید، عموماً ناهمگن بوده و بصورت جغرافیایی توزیع شده هستند. دسترس پذیری و سطح بهره برداری هر منبع وابستگی بسیاری به کاربر، زمان، اولویت ها و اهدافِ سیستم دارد. لذا مدیریت منابع و تخصیص کارها به منابع در چنین محیطی دارای پیچیدگی های بسیاری است. در این پایان نامه، به ارائه ی دو روش تخصیصِ منبع در گرید با استفاده از راهکارهای مبتنی بر عامل می پردازیم. تعامل و ارتباط میان عامل ها در هر یک از این دو روش موجب بهبود میزان بهره برداری از منابع توسط موازنه ی بارِ کاری می شود. روش اول که در سطح فرا-زمان بند قرار می گیرد، با استفاده از روش مناقصه، تخصیص کارها به سایت های مختلف را انجام می دهد. در روش دوم، عامل زمان بند که در سطح زمان بندهای محلی قرار می گیرد، با استفاده از یادگیری تقویتی و با تکیه بر اطلاعاتِ محلی از منابعِ تحت کنترل، تخصیص کارها به منابع را برعهده دارد. علاوه بر افزایش سطح بهره برداری از منابع، ویژگی دیگر این دو روش، عدم نیاز به محاسباتِ سنگین برای تصمیم گیری و در نتیجه پاسخ گویی سریع است. هر دو روش، تصمیم گیری برای تخصیص منابع را بدون استفاده از تخمین زمان ِ اجرای کارها انجام می دهند و پارامترهای تصمیم گیری آن ها مبتنی بر سطح بهره برداری سیستم و قابلیت های منابع است. ساختار این دو روش، براساس معماری دوسطحی زمان بندها در گریدهای محاسباتی است و در نتیجه می توان آن ها را در محیط های مبتنی بر پلتفرم globus مورد استفاده قرار داد. نتایج سیستم مناقصه گذاری نشان دهنده ی عملکرد مناسب آن در موازنه ی بار و هم چنین خاصیتِ توزیع پذیری آن است. عضویتِ پویای عامل های واسطه در عامل های مناقصه گذار موجب می شود که تنها با در اختیار داشتن 25% از اطلاعات مناقصه ها، عملکرد بهتری نسبت به سیاست متمرکز llf از خود نشان دهند. در روش زمان بندی محلی با استفاده از یادگیری تقویتی نیز نتایج نشان می دهد که در صورت انتخاب مناسب الگوریتم یادگیری و صرفِ زمانِ کافی برای تجربه در محیط، می توان از یادگیری تقویتی در زمان بندی محلی استفاده کرد.