Energie- und leistungszentriertes Ressourcenallokationsframework bei der Konsolidierung von virtuellen Maschinen unter Verwendung eines Ansatzes des verstärkenden Lernens

Zusammenfassung:: Virtuelle Maschinen werden verwendet, um die Anwendungsleistung, die Verwaltungskosten und die Zugangsregelmäßigkeiten der Cloud-Plattform zu reduzieren. Virtuelle Maschinen sind häufig anfällig für Verzögerungen, überlastete Arbeitslasten und andere Hindernisse beim Konsolidieren und Migrieren von Servern. Um die Lasten signifikant unter virtuellen Maschinen zu verteilen, werden dynamische Konsolidierungstechniken implementiert, um den Energieverbrauch zu steuern, Überlastungsprobleme zu überwachen und Unterlastprobleme anzugehen. Hintergrund:: Der Konsolidierungsprozess erfordert mehr Berechnungen und Ressourcen, um Dienste zwischen virtuellen Maschinen zu übertragen, vorausgesetzt, die Service Level Agreements werden eingehalten. Methoden:: Der vorgeschlagene Ansatz fördert die Nutzung modernster Architektur zur Kombination virtueller Maschinen und erzielt so ein Gleichgewicht zwischen Leistungs- und Energieanforderungen. Die wichtigsten Designüberlegungen für den vorgeschlagenen Dynamic Weightage-Algorithmus, der den Clusteransatz im Hinblick auf verstärkendes Lernen beinhaltet, sind der gesamte Ressourcenbedarf und das Verhältnis von Leistung zu Energieverbrauch (PPR). Es wird ein Cluster idealer virtueller Maschinen erstellt, und die Ressourcen werden entsprechend der Leistungs- und Energieanforderungen verteilt. Die Anfragen an virtuelle Maschinen werden in einen passenden Beziehungsfaktor umgewandelt, der die einzelnen Hosts unter Berücksichtigung von PPR darstellt. Die gesamte Arbeitslast, die mit der Konsolidierung virtueller Maschinen verbunden ist, wird ebenfalls durch diese Schätzungen bereitgestellt. Es wird festgestellt, dass es wenig Energiekompromiss gibt und dass die Leistung auf einem nominalen Niveau im gesamten Cluster aufrechterhalten wird. Die Architektur wird auf Offline-Plattformen umgesetzt, die verteilte Ökosysteme sind und eine erhöhte Systemleistung und Skalierung ermöglichen. Ergebnisse:: Der CloudSim-Simulator wird verwendet, um das System mit Datensätzen zu validieren, die von PlanetLab erhalten wurden. Den Daten zufolge hat die Energieeinsparung Erträge von bis zu 47 % und vielversprechende Qualitätsmerkmale des Dienstes erzielt. Fazit:: Die Validierung des Systems erfolgt unter Verwendung des CloudSim-Simulators mit Datensätzen von PlanetLab. Die Ergebnisse zeigen eine signifikante Energieeinsparung von bis zu 47 % sowie vielversprechende Parameter für die Qualität des Dienstes an. Die vorgeschlagene Architektur wird mit anderen modernen Algorithmen für verteilte Architekturen und heterogene Umgebungen verglichen und zeigt ihre Effizienz. Das Fazit betont die Priorisierung der VM-Konsolidierung und Energieeffizienz in der vorgeschlagenen Architektur, die auf einem auf Proliant G7 basierenden Rechenzentrum mit verschiedenen Hosts getestet wurde. Besonders hervorzuheben ist, dass das CloudSim Toolkit in den Simulationsergebnissen bessere Ergebnisse als OpenStack-basierte Techniken erzielt.