لایه انتزاع سرویس ابر: درخواست­های سرویس بوسیله کاربر نهایی تولید می­شوند. لایه انتزاع سرویس ابرسیگنال تولید­شده را برای انتخاب گروه خاصی از سرویس­ها دریافت می­ کند. این لایه شامل همه منطق­ها برای دریافت و انتخاب درخواست­های مبتنی بر کاربر است. درخواست­های نهایی به مدیر منبع فرستاده می­شوند. مدیر منبع قادر به پاسخ­گویی به درخواست ­میزبان است. سرویس­های ابری با هم در زیر­­­سیستم­ها بر مبنای دید معنایی از هر سرویس مرتب می­شوند. بسیاری سرویس­ها یک بخش مجزا از عملیات را کپسوله می­ کنند، در واقع هر سرویسی به عنوان یک واسط مشخص عمل می­ کند. در این لایه مشخص می­گردد که آیا سرویس در دسترس هست یا نه.

(( اینجا فقط تکه ای از متن درج شده است. برای خرید متن کامل فایل پایان نامه با فرمت ورد می توانید به سایت feko.ir مراجعه نمایید و کلمه کلیدی مورد نظرتان را جستجو نمایید. ))

لایه مدیر منبع: مدیر منبع خروجی­ها را از لایه اول دریافت می­ کند. مدیر منبع نقش مهمی را در متد انتخاب منبع ابری ایفا می­ کند، مدیر منبع به سیستم اجازه تحلیل، تخمین، به­ کارگیری و نظارت بر سرویس­های ابر را می­دهد و منابع را به روشی که از لحاظ هزینه مقرون­به­صرفه باشند مورد استفاده قرار می­دهد. یکی از مولفه­های لایه مدیر منبع مدیر درخواست^[۱۵] است. این مولفه درخواست سرویس را مدیریت و سرویس مناسب را انتخاب می­ کند، انتخاب سرویس مناسب بوسیله سرویس شاخص صورت می­گیرد. سرویس شاخص درباره­ سرویس­ها و کلاستر متناظر آن سرویس اطلاعاتی را ذخیره می­ کند. کلاستر گروهی از انواع خاصی از منابع داخل یک ابر است که به عنوان یک زیر ابر عمل می­ کند.
همه­ سرویس­ها داخل سرویس شاخص^۲ لیست می­شوند. شاخص­گذاری به جستجوی سرویس در شبکه ابری کمک می­ کند، سپس کاربر نهایی به کلاستر مناسب هدایت می­ شود و بعد مدیر منبع، منابع مختص کلاستر را جستجو می­ کند. کاربر نهایی به منابع از یک کلاستر خاص با بهره گرفتن از درخواست سرویس به مدیر منبع دسترسی پیدا می­ کند. این درخواست­ها منابع کلاستر خاصی را که بوسیله شاخص کلاستر کنونی ابر مشخص شده بر می­گردانند. شاخص کلاستر دارای اطلاعاتی درباره تعداد منابع موجود در کلاستر، نوع منابع و انتخاب توازن بار یا به­اشترک­گذاری بار است. هر درخواستی مانند درخواست پردازش­گر و حافظه یک سربار مدیریتی خاص خود را در عملیات دارد و این مهم است که درصد استفاده از منابع دارای معیاری برای اندازه ­گیری باشند. در این لایه انتخاب کلاستر و تعیین انتخاب توازن بار یا به­اشترک­گذاری بار صورت می­گیرد.
لایه توازن بار و به­اشتراک­گذاری بار: توازن بار به معنای توزیع بار­کاری بین دو یا چند منبع در یک ابر است. مدیر منبع ترافیک شبکه­ ای را که از یک کلاستر می ­آید جدا می­ کند، یعنی در واقع به آن انشعاب می­دهد و سیگنال را به منابع مختلف منتقل می­ کند. منظور از ترافیک شبکه جریان­ داده از طریق اینترنت است. اگر بار غیر مساوی در ابر وجود داشته باشد سرویس به صورت معکوس با توجه به هزینه منابع توزیع می­ شود و این به معنای آن است که مسیری که هزینه پایین­تری دارد برای ترافیک بیشتر انتخاب می­ شود و مسیری که هزینه بیشتری دارد به آن ترافیک کمتری فرستاده می­ شود. به ­عبارت­ دیگر توازن بار به معنای توزیع ترافیک بصورت پویا و هموار در بین منابع مختلف برای اجتناب از ازدحام شبکه و یا انتشار است. ازدحام به معنای این است که پهنای باند کافی برای حمایت از ترافیک شبکه موجود نباشد. توازن بار مکانیزمی است که به مؤثر شدن ابر کمک می­ کند و بار ابر را به صورت هموار در یک کلاستر توزیع می­ کند. به­­اشتراک­گذاری زمانی استفاده می­ شود که تعداد منابع زیاد باشند و بار تقریبا مساوی در ابر وجود داشته باشد.
لایه تخصیص منبع: این لایه چک می­ کند که آیا منابع در دسترس هستند یا نه؟ چنانچه منابع مورد نیاز در دسترس نباشند، درخواست در صف قرار می­گیرد تا منابع آزاد شوند. جزئیات جریان کاری چارچوب انتخاب منبع مبتنی بر سرویس در شکل ۳-۲ ارائه شده است.

شکل ۳-۲: جریان کاری چارچوب انتخاب منبع مبتنی بر سرویس ]۵[.
۳-۴ مشکلات تخصیص منبع
در محاسبات ابری، زیرساخت اغلب به صورت ناهمگون است، به این معنا که ابزارهای کاربردی مختلف نیازهای محاسباتی مختلفی چه از نظر سخت­افزاری و چه از نظر نرم­افزاری دارند. از طرفی منابع بیشماری در زیرساخت ابر وجود دارند که نیاز به مدیریت دارند. به منظور فراهم کردن کیفیت سرویس بهتر، منابع برای کاربران و یا در حقیقت برای ابزارهای کاربردی کاربران از طریق مکانیزم­ های توازن بار، دسترسی بالا، امنیت و تعیین اعتبار فراهم می­شوند. برای ماکزیمم کردن سودمندی ابر باید ظرفیت نیازهای ابزارهای کاربردی محاسبه شوند. مدیریت منابع در مقیاسی بزرگ و فراهم کردن انزوای کارایی و استفاده مؤثر از سخت­افزار مشکل اساسی برای هر نرم­افزار مدیریت ابر است. در یک دسته­بندی می­توان مشکلات زیر را در رابطه با مدیریت منبع مطرح کرد ]۶[.
مدیریت موجودی ابر: با افزایش سایز ابر سربار در جمع­آوری، تحلیل و عملیات برای داده ­های مرتبط افزایش می­­یابد. مدیریت موجودی ابر در مقیاس بزرگ نیاز به جداسازی و تجزیه خوب وظایف و قفل کردن خوب اشیاء مختلف در ابر دارد، بنابراین روش­هایی که افزایش و کاهش سریع منابع را حمایت می­ کنند برای برطرف کردن این مشکلات مناسبند.
ناهمگون بودن منابع و محیط: همچنان که مقیاس ابر­ها افزایش می­یابد ناهمگون بودن آنها نیز افزایش می­یابد. یکی از دلایل ایجاد ناهمگونی در محیط این است که فراهم­کنندگان ابر ماشین­هایی را در طول زمان اضافه می­ کنند و باعث بوجود آمدن همزیستی چند نسل سخت­افزاری و نرم­افزاری و یا ابزارهای کاربردی نامتناجس در ابر می­ شود.
فرکانس (تناوب) عملیات: با افزایش مقیاس، تعداد کاربران و فرکانس عملیات مدیریتی افزایش یافته است.
استقامت در برابر شکست: همچنان که مقیاس ابر افزایش میابد، تاثیر شکست در مولفه مدیریت منبع افزایش میابد. شکست به معنای این است که کاربر نتواند ماشین­های مجازی بیشتری را روشن کند یا تنظیمات استخر منبع را تغییر دهد. همچنین با افزایش مقیاس، شکست سخت­افزاری هم زیاد می­ شود. سیستم مدیریت منبع باید مستحکم باشد و هر شکست مولفه­ای را سریع مدیریت کند.
مشکلات مطرح شده مربوط به ماهیت مقیاس­پذیری محیط­های ابری است، اما علاوه بر مقیاس­پذیری مسائلی نظیر نا­همگونی سیستم­ها، محدودیت ناسازگاری بین ماشین­های مجازی و سخت­افزارها، جزیره­های منابع ساخته شده بوسیله منابع ذخیره­سازی و ارتباطات شبکه و مقیاس محدود منابع ذخیره­سازی نیز وجود دارند. با توجه به ماهیت مقیاس­پذیر محیط­های ابری -که ممکن است در آن درخواست­های نامحدودی از طرف کاربران صورت گیرد- مشکلاتی از قبیل مقیاس­پذیری منابع، تغییر تقاضا در طول زمان و نامتجانس بودن منابع می ­تواند مشکلاتی در تخصیص منابع ایجاد کند. یک راه­حل مدیریت منبع موفق باید دارای مجموعه ­ای غنی از کنترل­های منبع برای ایزوله­سازی کارایی، جایگذاری اولیه مناسب، توازن بار موثر برای دستیابی به استفاده موثر از منابع، کسب رضایت کاربران، کاهش مصرف انرژی، کاهش هزینه و ارائه به موقع سرویس یا کاهش تاخیر باشد، بنابراین انتظار می­رود روش­ها و الگوریتم­هایی ایجاد شوند که این نیازها را برطرف کرده و قابل اعمال در همه محیط­های ابری باشند.
۳-۵ روش­های تخصیص منبع
در محاسبات ابری تعداد زیادی منبع مجازی شده ­اند و سپس به عنوان سرویس در اختیار کاربران قرار می­گیرند. برای مدیریت منابع (تهیه و تخصیص منابع) روش­های بسیاری وجود دارد که انتخاب یکی از آنها به ترجیحات فراهم­کننده ابر، الگوی استفاده و تقاضای کاربر بستگی دارد. از جمله روش­های مطرح شده می­توان به روش­های مبتنی بر توافق­نامه سطح سرویس، روش­های بازار­گرا، روش­های مبتنی بر قانون و روش­های مبتنی بر کاهش مصرف انرژی اشاره کرد. هدف همه این روش­ها شناسایی لیستی از منابع مورد نیاز بر حسب تقاضا، شناسایی لیست منابع در دسترس، تهیه سایر منابع مورد نیاز کاربر و انتخاب و تخصیص بهترین منابع است. در ادامه برخی روش­های نام برده معرفی شده و برخی مقالات مرتبط با هر یک شرح داده شده است.
۳-۵-۱ تخصیص منبع مبتنی بر کاهش مصرف انرژی
رشد سریع تقاضا برای قدرت محاسباتی سبب ایجاد مرکز داده­هایی در مقیاس بزرگ شده است. این مرکز داده ­ها حجم زیادی از قدرت الکتریسیته را استفاده می­ کنند و باعث افزایش هزینه­ های عملیاتی، انتشار دی­اکسید­کربن، کاهش قابلیت اعتماد سیستم و کاهش چرخه حیات دستگاه­ها بدلیل گرمای زیاد می­شوند. محیط­های محاسبات ­ابری نیاز دارند تا سرویس­هایی با کیفیت بالا برای مشتریان­شان فراهم کنند که هم مصرف انرژی آنها کم باشد و هم کارایی بالایی داشته باشند. توازن بار، RoundRobin و الگوریتم­های حریصانه ]۹[ برخی از مکانیزم­ های تخصیص منبع در مرکز داده ­ها هستند. یکی از روش­هایی که سبب کاهش مصرف انرژی بوسیله مرکز داده ­ها می­ شود به­ کارگیری تکنولوژی مجازی­سازی است که در فصل­ اول تعریف آن ارائه شده است. در بیشتر الگوریتم­های مطرح شده برای این دسته، از مفهوم مهاجرت زنده ماشین­های مجازی استفاده شده است، به این معنا که ماشین­های مجازی از سروری با بار کاری کم به سروری با بار کاری زیاد انتقال می­یابند. در ]۱۰[ از مهاجرت زنده ماشین­های مجازی به همراه تخصیص مجدد پویای ماشین­های مجازی برای کاهش مصرف انرژی استفاده شده است. در الگوریتم معرفی شده تخصیص ماشین­های مجازی به دو فاز تقسیم شده است که در ادامه بیان شده ­اند.
پذیرش درخواست جدید برای تهیه منبع و جایگذاری ماشین­های مجازی روی میزبان: برای حل آن الگوریتم تغییر کاهش بهترین حالت^[۱۶] ارائه شده است که در واقع توسعه ­یافته کاهش بهترین حالت (BFD) است، در MBFD همه ماشین­های مجازی به صورت نزولی بر اساس سودمندی فعلی مرتب می­شوند، سپس هر ماشین­ مجازی به یک میزبان که حداقل افزایش مصرف انرژی را در زمان نصبش دارد تخصیص داده می­ شود.
بهینه­سازی تخصیص منبع فعلی ماشین­های مجازی: این کار در دو مرحله صورت می­گیرد. مرحله اول انتخاب ماشین­های مجازی که نیاز به مهاجرت دارند می­باشد و مرحله دوم قرار دادن ماشین­های مجازی انتخاب شده با بهره گرفتن از MBFD روی میزبان­ها می­باشد. برای انتخاب ماشین­های مجازی ­که باید برای مهاجرت انتخاب شوند چهار هیورستیک و سه سیاست مختلف نیز ارائه شده است ]۱۰[.
در ]۹[ و ]۱۱[ جابجایی بارکاری به عنوان متد اصلی در نظر گرفته شده است و فرمول­هایی برای بررسی میزان مصرف انرژی هسته پردازشی، حافظه­اصلی، هارد ­دیسک و مادربورد ارائه شده است و در نهایت انرژی برای سرور، شبکه و مرکز داده محاسبه شده است. در ]۹[ الگوریتم F4G-CS اولیه بر مبنای پروژه FitforGreen ارائه شده است (شکل ۳-۳) و بعد در الگوریتم F4G-GS بهبود داده شده است. F4G-GS دو فاز اصلی دارد. در اولین فاز ماشین­های مجازی از سرورهای با بار کم به سرورهای با بار زیاد انتقال می­یابند (مهاجرت زنده) و سرورهایی که آزاد هستند می­توانند خاموش شوند. در فاز دوم ماشین­های مجازی از سرورهای قدیمی به سرورهای مدرن منتقل می­شوند و سرورهای قدیمی می­توانند خاموش شوند. در حقیقت در الگوریتم بهبود­یافته از این حقیقت استفاده شده است که مولفه­های جدید سیستم­ها و سرور­های جدید انرژی کمتری استفاده می­ کنند و بهتر است که ابزارهای کاربردی با بار سنگین را به سرورهای جدید با تعداد هسته­های بیشتر انتقال داده شده و سرورهای قدیمی خاموش شوند تا انرژی بیشتری ذخیره شود.

F4G-CS (Traditional single algorithm)

//When a new VM comes, the F4G-CS algorithm will check all computing nodes to
find the suitable node using the least amount of energy.
{ Determine all servers meet the constraint and store in array A
IF (the array A is empty) THEN
stop the algorithm and inform no solution
Set index i at the beginning of the array A
Calculate energy consumption Ei of the data centre if the VM is deployed on the server at array index i
Store (i, Ei) in a list L
Increase i to the next index of A
Repeat from Step 3 to Step 5 until i goes out of the scope of A
Determine min Ei in the list L
Assign the VM to the server at index imin
IF )server at index imin is OFF( THEN
put action turn ON to action list
//It is noted that Ei is calculated for servers having workload. The server without
workload will be shutdown
}

شکل ۳-۳: الگوریتم F4G-CS ]9[.
تخصیص منبع مبتنی بر کاهش مصرف انرژی سبب ایجاد مفهوم ابر سبز^[۱۷] شده است و برای آن یک چارچوب نیز تعریف شده است ]۱۲[. با توجه به چارچوب دو بخش بسیار مهم وجود دارد که می­توانند سبب بهبود مصرف انرژی شوند که در ادامه بیان شده ­اند.
بخش زمانبندی: به منظور بهبود عملکرد پایه­ای ماشین­های مجازی در ابر دو نوع سیستم زمانبندی سبز شامل زمانبندی مبتنی بر حرارت^۲ و زمانبندی مبتنی بر مصرف انرژی^۳ وجود دارد که در ]۱۲[ روش زمانبندی مبتنی بر مصرف انرژی بررسی شده است.
بخش مدیریت تصویر ماشین­های مجازی: برای تصویر ماشین­های مجازی پیشنهاد شده است که زمان بوت شدن سیستم عامل از طریق تغییر ترتیب بوت شدن ماژو­ل­ها و حذف ماژول­های غیر ضروری مثل windowsmanager کاهش داده شود تا سودمندی CPU و گذردهی ورودی/خروجی افزایش یابد.