Abstract
The on-demand provisioning and resource availability in cloud computing make it ideal for executing scientific workflow applications. An application can start execution with a minimum number of resources and allocate further resources when required. However, workflow scheduling is an NP hard problem and therefore meta-heuristics based solutions have been widely explored for the same. This paper presents an augmented Shuffled Frog Leaping Algorithm (ASFLA) based technique for resource provisioning and workflow scheduling in the Infrastructure as a service (IaaS) cloud environment. The performance of the ASFLA has been compared with the state of art PSO and SFLA algorithms. The efficacy of ASFLA has been assessed over some well-known scientific workflows of varied sizes using a custom Java based simulator. The simulation results show a marked improvement in the performance criteria of achieving minimum execution cost and meeting the schedule deadlines
چکیده
تامین تقاضا و دسترسی به منابع در رایانش ابری برای اجرای کاربرد‌های گردش کاری علمی ایده آل است. یک برنامه کاربردی می‌تواند اجرا را با حداقل تعداد منابع و تخصیص منابع بیشتر در صورت لزوم شروع کند. با این حال، زمان بندی گردش کار به صورت یک مساله NP سخت است و بنابراین راه حل‌های بر مبنای فراابتکار به طور گسترده ای مورد بررسی قرار گرفته است. در این مقاله الگوریتم جهش ترکیبی قورباغه (ASFLA) برای تأمین منابع و زمان بندی گردش کار در زیر ساخت به عنوان یک محیط سرویس ابری (IaaS) ارائه می‌شود. عملکرد ASFLA با الگوریتم‌هایPSO و SFLA قبلی مقایسه شده است. کارآیی ASFLA بر اساس برخی از گردش‌های کاری شناخته شده علمی ارزیابی شده است که از اندازه‌های مختلف با استفاده از شبیه ساز سفارشی مبتنی بر جاوا است. نتایج شبیه سازی نشان دهنده بهبود قابل توجه در معیارهای عملکرد به جهت دستیابی به حداقل نمودن هزینه اجرا و برآورده نمودن مهلت‌های برنامه زمان بندی است.
1-مقدمه
گردش کار‌های علمی یک روش برای نشان دادن و مدیریت فعالیت‌ها و محاسبات در حال وقوع فرآیندهای علمی است. این برای توصیف برنامه‌هایی است که از وظایف توالی محاسباتی تشکیل شده اند و مربوط به وابستگی داده‌ها و کنترل جریان بین آنها [1] است. افزایش سریع در اندازه داده‌های علمی موجب افزایش پیچیدگی تحلیل و همچنین محاسبات شده است. بنابراین، در مقایسه با پردازش دستی، سیستم‌های گردش کاری علمی در استخراج خودکار اطلاعات و بهبود عملکرد در فرایند‌های پیچیده مناسب تر هستند. سیستم‌های گردش کاری مهم تر هستند و در انواع مختلفی از برنامه‌های کاربردی علمی وجود دارند؛ مانند تجزیه و تحلیل داده‌های آب و هوا و مدل سازی، شیمی ساختاری، بیو انفورماتیک، پردازش تصویر و کاربرد‌های پزشکی و غیره. [1] کاربرد‌های پیچیده علمی ممکن است بر روی سیستم عامل‌های مختلف اجرا شود، از جمله ایستگاه‌های کاری محلی، خوشه‌ها، ابر رایانه‌ها و شبکه‌ها [2]. هر یک از این سیستم عامل‌ها سطوح عملکردی مختلف، هزینه و قابلیت استفاده برای این برنامه‌ها را ارائه می‌دهد....