عنوان ترجمه شده مقاله: مقیاس بندی خودکار اپلیکیشن های اینترنتی برای سرویس‌های رایانش ابری

Many Internet applications can benefit from an automatic scaling property where their resource usage can be scaled up and down automatically by the cloud service provider. We present a system that provides automatic scaling for Internet applications in the cloud environment. We encapsulate each application instance inside a virtual machine (VM) and use virtualization technology to provide fault isolation. We model it as the Class Constrained Bin Packing (CCBP) problem where each server is a bin and each class represents an application. The class constraint reflects the practical limit on the number of applications a server can run simultaneously. We develop an efficient semi-online color set algorithm that achieves good demand satisfaction ratio and saves energy by reducing the number of servers used when the load is low. Experiment results demonstrate that our system can improve the throughput by 180% over an open source implementation of Amazon EC2 and restore the normal QoS five times as fast during flash crowds. Large scale simulations demonstrate that our algorithm is extremely scalable: the decision time remains under 4 s for a system with 10 000 servers and 10 000 applications. This is an order of magnitude improvement over traditional application placement algorithms in enterprise environments

چکیده

بسیاری از اپلیکیشن های اینترنتی می توانند از مزایای مشخصه مقیاس بندی خودکار بهره مند شوند؛ در این مقیاس بندی، سطح استفاده از منابع را می توان به صورت خودکار از سوی سرویس دهنده ابری افزایش یا کاهش داد. در این مقاله، سیستمی را ارائه می دهیم که می تواند مقیاس بندی خودکار را در محیط ابری برای اپلیکیشن های اینترنتی فراهم سازد. هر نمونه اپلیکیشن را در داخل یک ماشین مجازی (vm) کپسوله سازی می کنیم و از فناوری مجازی سازی برای تدارک قابلیت محصول کردن اشکال استفاده می کنیم. سپس آنرا به عنوان یک مسئله بسته بندی کلاس محدود (CCBP) مدلسازی می کنیم به طوری که در آن، هر سرور را می توان یک بسته دانست و هر کلاس نیز بیانگر یک اپلیکیشن می باشد. محدودیت کلاس، منعکس کننده محدودیت عملی در خصوص تعداد اپلیکیشن هایی بوده که یک سرور می تواند به صورت همزمان اجرا نماید. یک الگوریتم پر کردن رنگ نیمه آنلاین را ارائه می دهیم که می تواند نرخ رضایت مندی خوبی را بدست آورده و با کاهش تعداد سرورها در زمان وجود بار پایین، در مصرف انرژی صرف جویی نماید. نتایج آزمایشی نشان می دهد که سیستم ما می تواند توان عملیاتی را به میزان 180 درصد در مقایسه با پیاده سازی Ec2 آمازون بهبود داده و کیفیت سرویس نرمال را 5 برابر سریع تر در شرایط ازدحام سربار بازیابی نماید. شبیه سازی های بزرگ مقیاس نشان می دهد که الگوریتم پیشنهادی ما بسیار مقیاس پذیر می باشد: زمان تصمیم در زیر 4 ثانیه برای سیستمی با 10 هزار سرور و 10 هزار اپلیکیشن می باشد. این یک بهبودی چند برابری را نسبت به الگوریتم های جادهی اپلیکیشن در محیط های سازمانی نشان می دهد.

1-مقدمه

یکی از مزایای سرویس رایانش ابری، توسعه پذیری منبع می باشد: یک مشتری کسب و کار می تواند سطح استفاده از منابع را بدون اینکه سرمایه گذاری زیادی را انجام دهد و یا به صورت بلند مدت به یک قرار داد متعهد باشد، افزایش یا کاهش دهد. برای مثال، سرویس EC2 آمازون به کاربران اجازه داده تا به تعداد دلخواه اقدام به خرید ماشین های مجازی نموده و آنها را مشابه با سخت افزار فیزیکی بکار گیرد. البته کاربران نیاز به تصمیم گیری در خصوص تعداد منابع مورد نیاز و مدت زمان نیاز این منابع دارند...