رویکردی جدید در مهاجرت ماشین های مجازی به ماشین های فیزیکی در محاسبات ابری

محاسبات ابری فناوری جدید محاسبات توزیع شده است. این مدل محاسباتی جدید ، سرویس های متنوعی را بر اساس تقاضای کاربران و به صورت پرداخت به ازای استفاده ارائه می دهد. این بدین معنی است که دسترسی به منابع محاسباتی و ذخیره سازی در زمان تقاضا و بر اساس میزان تقاضای کاربر به گونه ای انعطاف پذیر و مقیاس پذیر از بستر اینترنت به کاربر تحویل داده می شود. یکی از عناصر تشکیل دهنده ی این مدل محاسباتی مراکز داده ای هستند که از فناوری مجازی سازی استفاده می کنند. این فناوری ، محیطی مجازی را فراهم می آورد که می تواند یک ماشین فیزیکی را با تمام حالات و داده های آن در قالب یک فایل منطقی ارائه دهد. با توجه به این ویژگی ، می توان ماشین ها را از مکانی به مکانی دیگر منتقل کرد که این عمل انتقال ، مهاجرت نام دارد. افزایش داده ها و پردازش ها منجر به ایجاد مراکز داده ی بزرگ شده است. بهره برداری از مراکز داده به دلیل مصرف انرژی ، هزینه های عملیاتی بسیاری در پی دارد. بنابراین بهره وری انرژی به طور فزاینده در حال مهم شدن برای مراکز داده و ابرها است. استفاده ناکارامد از منابع موجود در مراکز داده از جمله دلایل اتلاف انرژی است. مصرف زیاد انرژی در مراکز داده منجر به افزایش دما ، کاهش قابلیت اطمینان سیستم ، تولید گاز دی اکسیدکربن و تأثیرات نامطلوب زیست محیطی می شود. بنابراین ، برای حل مسئله مصرف زیاد انرژی در مراکز داده علاوه بر بهینه سازی در سطح سخت افزار ، روش های مدیریت منابع با رویکرد کارامدی انرژی نیز مورد نیاز است. در این زمینه راه کارهایی مانند تجمیع ماشین های مجازی و مهاجرت ماشین های مجازی مورد استفاده قرار گرفته اند. در این تحقیق ، الگوریتم جستجوی گرانشی که از جمله الگوریتم های ابتکاری می باشد ، برای مهاجرت ماشین های مجازی به ماشین های فیزیکی با رویکرد کاهش مصرف انرژی پیشنهاد شده است. این الگوریتم سعی دارد تعداد کمتری از ماشین های فیزیکی را در حالت روشن نگه دارد تا مصرف انرژی را در مراکز داده کاهش دهد. چندین روش برای مهاجرت ماشین های مجازی به ماشین های فیزیکی به منظور کاهش مصرف انرژی وجود دارد ، که در این تحقیق الگوریتم جستجوی گرانشی با دو تا از الگوریتم های قدرتمند ژنتیک و اصلاح شده ی بهترین انتخاب به صورت کاهشی مقایسه شده است. نتایج شبیه سازی این الگوریتم ها نشان می دهد که الگوریتم جستجوی گرانشی نسبت به دو الگوریتم مورد مقایسه ، مصرف انرژی را بیش تر کاهش داده است و هم چنین ، توافق نامه ی سطح سرویس را کم تر نقض کرده است. الگوریتم جستجوی گرانشی فضای مسئله را بهتر و با دقت بیش تری جستجو می کند و در موقعیت های بهتر گام های کوتاه تر و حرکت آهسته تری دارد. بنابراین ، عملکرد مناسبی در بهبود میزان مصرف انرژی و میزان نقض توافق نامه ی سطح سرویس از خود نشان می دهد.