Abstract
Cloud computing has gained enormous popularity for on-demand services on a pay-per-use basis. However, a single data center may be limited in providing such services, particularly in the peak demand time as it may not have unlimited resource capacity. Therefore, multi-cloud environment has been introduced in which multiple clouds can be integrated together to provide a unified service in a collaborative fashion. However, task scheduling in such environment is much more challenging than that is used in the single cloud environment. In this paper, we propose three allocation-aware task scheduling algorithms for a multi-cloud environment. The algorithms are based on the traditional Min-Min and Max-Min algorithm and extended for multi-cloud environment. All the algorithms undergo three common phases, namely matching, allocating and scheduling to fit them in the multi-cloud environment. We perform extensive simulations on the proposed algorithms and test with various benchmark and synthetic datasets. We evaluate the performance of the proposed algorithms in terms of makespan, average cloud utilization and throughput and compare the results with the existing algorithms in such system. The comparison results clearly demonstrate the efficacy of the proposed algorithms
چکیده
رایانش ابری بین سرویس های درخواست بر پایه پرداخت به ازای هر کاربر محبوبیت فراوانی دارد. با این حال، یک مرکز داده تنها ممکن است در ارائه چنین خدماتی، به ویژه در زمان تقاضا محدود عمل کند، زیرا ظرفیت منابع نامحدود را ندارد. بنابراین، محیط چند ابری معرفی شده است که در آن چند ابرها می‌توانند با هم یکپارچه شوند تا به وسیله ی همکاری با یک دیگر خدمات یکپارچه را ارائه دهند. البته شایان ذکر است برنامه ریزی کار در چنین محیطی بسیار پیچیده‌تر از محیط تک ابر است. در این مقاله، ما سه الگوریتم برنامه‌ریزی تخصیص آگاه برای یک محیط چند ابر ارائه می‌دهیم. الگوریتم‌ها بر اساس الگوریتم Min Min و Max-Min رایج است و برای استفاده در محیط چند ابر توسعه یافته اند. تمام الگوریتم‌ها برای محیط چند ابر در سه مرحله مشترک، یعنی تطبیق، تخصیص و برنامه ریزی قرار می‌گیرند. ما شبیه‌سازی‌های گسترده‌ای را در مورد الگوریتم‌های پیشنهادی انجام می‌دهیم و با مجموعه داده‌های مختلف و پایه‌های مصنوعی تست می‌کنیم. ما عملکرد الگوریتم‌های پیشنهادی را از لحاظ بهره وری متوسط و مقایسه نتایج با الگوریتم‌های موجود در این سیستم ارزیابی می‌کنیم. نتایج مقایسه به وضوح اثربخشی الگوریتم‌های پیشنهاد شده را نشان می‌دهد.
1-مقدمه
در طول چند سال گذشته، محاسبات ابری با ارائه خدمات گوناگون در اینترنت، شکل محاسبات را تغییر داده است (دارو و همکاران 2015 ؛ لی و وای 2014؛ لچوب و مامری2016 ؛ چون لین و لایونا2015). طبق گفته گرتنر،( گرتنر 2016) در زیر ساخت به عنوان سرویس، درآمد ابری در سال 2016 انتظار می‌رود به 22.4 میلیارد برسد که 38.4 درصد بیشتر از درآمد سال 2015 است. در نتیجه، بسیاری از خدمات ارائه دهندگان تمایل به زیر ساخت به عنوان سرویس دارند که منابع بسیار مقیاس پذیر را ارائه می‌دهد....