.

تخلیه بار تحرک آگاه با قابلیت تحمل پذیری خطا در رایانش ابری موبایل (بخش اول)

امروزه با توجه به توسعه شبكه ها و تكنولوژی های ارتباطی، اینترنت اشیا به عنوان بخش جدایی ناپذیر از فناوری اطلاعات مطرح شده است. توسعه این فناوری با توجه به محدودیت دستگاه های متحرك از نظر توان محاسباتی، ظرفیت باتری و حافظه با چالش هایی روبه رو می باشد

تخلیه بار تحرک آگاه با قابلیت تحمل پذیری خطا در رایانش ابری موبایل (بخش اول)

چکیده

امروزه با توجه به توسعه شبكه ها و تكنولوژی های ارتباطی، اینترنت اشیا به عنوان بخش جدایی ناپذیر از فناوری اطلاعات مطرح شده است. توسعه این فناوری با توجه به محدودیت دستگاه های متحرك از نظر توان محاسباتی، ظرفیت باتری و حافظه با چالش هایی روبه رو می باشد. 
در راستای حل این چالش ها، رایانش ابری موبایل كه با به خدمت گرفتن فضای ذخیره سازی و قدرت محاسباتی ابر، ظرفیت موبایل را برای انجام برنامه های كاربردی بهبود می بخشد، مطرح شده است. 
به این منظور، برخی از مؤلفه های برنامه كاربردی با هدف بهینه سازی زمان اجرا و انرژی مصرفی كل، برای اجرا به ابر تخلیه می شوند. با توجه به تأثیر تحرك دستگاه متحرك بر شرایط شبكه دسترسی و كیفیت اتصال، تصمیم گیری مؤلفه های مناسب جهت تخلیه به ابر باید با توجه به تحرك دستگاه انجام پذیرد. 
تا كنون روش های محدودی در زمینه تخلیه بار تحرك آگاه ارائه شده است. این روش ها از مشكلاتی از جمله عدم استفاده از مدل تحرك مناسب، عدم لحاظ قابلیت تحمل پذیری خطا، تخلیه یك جای برنامه و عدم توجه به تخلیه بار ریز دانه رنج می برند. در این مقاله به منظور رفع این مشكلات، یك روش تصمیم گیری تخلیه بار تحرك آگاه با استفاده از زنجیره ماركوف تحرك كاربر و قابلیت تحمل پذیری خطا ارائه شده است. 
نتایج ارزیابی ها نشان می دهد كه روش پیشنهادی نسبت به روش اخیر مطرح در این زمینه تا 75 % در زمان اجرا و 65 % در انرژی مصرفی جهت اجرای برنامه كاربردی بهبود ایجاد می كند.

مقدمه

در راستای پیشرفت سریع تکنولوژی موبایل، قابلیت دستگاه های متحرک از جمله حسگرها، گوشی های هوشمند، تبلت ها و کامپیوترهای قابل حمل رشد قابل توجهی یافته است. اما با وجود محبوبیت زیاد کنونی این دستگاه ها توسعه کاربردهای آن ها با محدودیت منابعی مانند توان پردازش، حافظه و ظرفیت باتری رو به رو می باشد. 
به عنوان نمونه، پردازش تصویر، پردازش گفتار و مسیریابی از کاربردهای نیازمند به منابع قابل توجه از دستگاه می باشد. یکی از رویکردهای مهم برای حل این چالش ها به کارگیری ظرفیت های رایانش ابری به منظور توسعه قابلیت های دستگاه های موبایل است. 
در واقع، دستگاه های متحرک می توانند برخی محاسبات سنگین خود را جهت اجرا به سمت ابر تخلیه نموده و پس از اجرا در ابر نتیجه را دریافت کنند. البته با توجه به شرایط شبکه دسترسی، ممکن است تنها تخلیه قسمت هایی از برنامه کاربردی منجر به کاهش زمان و انرژی مصرفی جهت اجرای آن برنامه گردد. بنابراین برنامه ریز تصمیم باید قسمت هایی از برنامه را که برای تخلیه بار به سمت ابر سودمند هستند مشخص کند. 
یکی از عوامل مهم در اتخاذ تصمیم تخلیه بار مناسب، آگاهی از تحرک می باشد. تحرک از دو جنبه می تواند بر زمان اجرا و انرژی مصرفی در فرایند تخلیه بار و در نتیجه انتخاب مولفه های مناسب جهت تخلیه تاثیر بگذارد. 
از یک طرف، تحرک می تواند منجر به تغییر نقطه دسترسی دستگاه موبایل و در نتیجه شرایط شبکه تحت پوشش شود. از طرف دیگر حتی در صورت حفظ نقطه دسترسی کنونی، شرایط شبکه از جمله تاخیر، نوسانات تاخیر، پهنای باند، نرخ خطا و درصد از بین رفتن بسته ها ممکن است تحت تاثیر موقعیت دستگاه متحرک تغییر نکد. بنابراین آگاهی از تحرک در اتخاذ تصمیم تخلیه بار مناسب حائز اهمیت می باشد.
هر چند تا کنون تحقیقاتی در زمینه تصمیم گیری تخلیه بار تحرک آگاه انجام شده است اما این کارها از مشکلاتی از جمله عدم استفاده از مدل تحرک مناسب، عدم لحاظ قابلیت تحمل پذیری خطا (FT)، تخلیه یک جای برنامه و نادیده گرفتن دانه دانه شدگی و تکرار تصمیم گیری در صورت تغییر شرایط شبکه بدون توجه به سربار آن رنج می برد. 
به منظور حل این چالش ها در این مقاله یک راه حل تصمیم گیری تخلیه بار تحرک آگاه ارائه شده که زنجیره مارکوف شبکه های ملاقات شده کاربر را در مسیرهای احتمالی مختلف براساس تجربه کاربر به دست می آورد. 
سپس با در نظر گرفتن دانه دانه شدگی و قابلیت تحمل پذیری خطا، تصمیم تخلیه بار مناسب را براساس زنجیره مارکوف تحرک کاربر، شرایط شبکه های ملاقات شده احتمالی و پروفایل تحرک کاربر در آن شبکه انتخاب می کند. 
در ادامه به بررسی کارهای انجام شده در زمینه تصمیم گیری تخلیه بار تحرک آگاه پرداخته می شود. سپس در بخش سوم شمای پیشنهادی تلیه بار تحرک آگاه با قابلیت تحمل پذیری خطا (MAFO) را ارائه خواهیم كرد. در بخش چهارم الگوریتم پیشنهادی برای حل مسئله تخلیه بار بیان شده است. معیارهای ارزیابی و نتایج به دست آمده تحت شرایط و پارامترهای مختلف در بخش پنجم به نمایش گذاشته می شود و در نهایت، نتیجه گیری و پیشنهاداتی برای كارهای آینده مطرح می شود.

کارهای پیشین

هم زمان با توسعه رایانش ابری موبایل، مقاله های مروری متعددی به بررسی و دسته بندی آن ها پرداخته اند. این مقاله ها عمدتا به بررسی روش ها و چارچوب های موجود بر اساس نحوه انجام تصمیم گیری تخلیه بار می پردازند. 
اما با توجه به نوین بودن روش های تخلیه بار تحرک آگاه، این روش ها در مقالات مروری موجود مورد بررسی قرار نگرفته اند و از این رو در ادامه صرفا به بررسی روش های موجود تحرک آگاه می پردازیم.
روش GACO از الگوریتم ژنتیک به منظور تصمیم گیری تخلیه بار جریان اری به سمت ابر استفاده می کند. در این روش، سرویس های تشکیل دهنده یک جریان کاری به ژن ها نگاشت شده و بر اساس اجرا روی ابر یا روی دستگاه برچسب می خورند. مجموعه این سرویس ها یک کروموزوم را تشکیل می دهند که جواب نهایی کروموزومی خواهد بو که میزان برازندگی آن بر اساس زمان اجرا و انرژی مصرف کناسب تر باشد. 
این مقالع به کمک مدل تحرک RWP به پیش بینی مدت زمان نگهداری اتصال می پردازد و با لحاظ آن در محاسبه زمان و انرژی مصرفی زیان های ناشی از تحرک را کاهش می دهد.  
روش پیشنهادی در راه حل تخلیه بار مناسب را بر اساس میزان ریسک و سودمندی آن انتخاب می کند. ریسک یک راه حل تخلیه بار، تاثیرات منفی تحرک را با پیش بینی مولفه هایی که در صورت وقوع قطعی از دست خواهند رفت محاسبه می کند. 
سودمندی یک راه حل تخلیه بار بر اساس انرژی مصرفی و زمان اجرای آن محاسبه می شود. به منظور به دست آوردن راه حل مناسب از الگوریتم کلونی مورچه ها و یک تابع برازندگی مبتنی بر برایند ریسک و سودمندی استفاده شده است. در این روش، چگونگی پیش بینی مولفه های از دست رفته در صورت وقوع قطعی مشخص نشده که با توجه به پیچیدگی پیش بینی زمان وقوع قطعی در شبکه، محاسبه آن مشکل به نظر می رسد. 
روش M2C2 یکی از مقاله های پیشتازی است که برای مدیریت تحرک در فرایند تخلیه بار، منابع شبکه و محیط های ابری را در نظر می گیرد و جستجو و انتخاب شبکه و ابر را پشتیبانی می کند. هدف این است که موبایل بتواند یک نقطه دسترسی و ی ابر مناسب را برای تخلیه بار بر اساس نیازمندی های کیفیت سرویس (QoS) کابرد انتخاب کند. 
به این منظور، دستگاه موبایل در بازه های زمانی دوره ای به جستجوی شبکه های در دسترس پرداخته و بر اساس بار نسبی ان شبکه ها (RNL)، بهترین شبکه را برای اتصال انتخاب می کند. 
سپس به جستجو و انتخاب محیط های ابری در بازه های زمانی معین می پردازد و کیفیت سرویس های مربوط به آن ها را بر اساس پارامترهایی مانند نوع نرم افزار کاربردی، میزان مشغول بودن واحد پردازش مرکزی، حافظه مصرفی و عملکرد ورودی/خروجی رتبه بندی می کند. 
سپس با مقایسه کیفیت سرویس مورد نیاز و کیفیت سرویس ابرهای در دسترس و احتساب هزینه استفاده از هر ابر، محیط ابری مطلوب را انتخاب می کند. این مقاله به تصمیم گیری تخلیه بار و شکستن پردازش به قطعات کوچک تر توجهی ندارد و با فرض انجام تخلیه بار سعی در حفظ اتصال دارد. 
در امکان دسترسی هم زمان دستگاه متحرک به شبکه های مختلف از جمله شبکه های موبایل و بی سیم محلی تحت تاثیر تحرک مورد توجه قرار می گیرد. در این مقاله، ارسال یک جای کل پردازش بر روی ابر مد نظر بوده و از این جهت ممکن است نسبت به روش های مبتنی بر تخلیه برخی مولفه های پردازش بهینه نباشد. در ضمن، احتمال قطعی و تاثیر تحرک بر شرایط شبکه در حین فرایند تخلیه بار در نظر گرفته نشده است. 
در سرویس دهنده ابری مناسب جهت تخلیه بار بر اساس فاصله تا دستگاه متحرک و با توجه به تاریخچه حرکت دستگاه انتخاب می گردد. در این راستا، نمودار مکان – زمان دستگاه متحرک در طول زمان ثبت شده و نزدیک ترین ابر به مرکزیت نقاط طی شده در گذشته که امکان انجام پردازش مربوط را با کیفیت مورد نظر دارد جهت تخلیه بار انتخاب می شود. 
در نهایت، تصمیم گیری مولفه های مناسب جهت تخلیه بار با فرض تخلیه روی سرویس دهنده انتخابی انجام می گردد. با وجود این که در این روش سریس دهنده مناسب جهت تخلیه بار با در نظر گرفتن تحرک پیش بینی می شود پارامترهای شبکه ای از جمله تاخیر، نوسانات تاخیر و پهنای باند که تحت تاثیر تحرک تغییر می کنند در تصمیم گیری در نظر گرفته شده است. 
به علاوه از آن جایی که سرویس دهنده های دورتر ممکن است به لحاظ قدرت پردازش به طور قابل ملاحظه ای از سرویس دهنده های نزدیک بهتر باشند ممکن است معیار انتخاب ابر در این روش منجر به زمان اجرا و انرژی مصرفی بهینه نگردد. 
در نمودار تحرک دستگاه بر اساس پیشینه تحرک آن با یک زنجیره مارکوف مدل شده و بهینگی تصمیم گیری تخلیه بار با در نظر گرفتن احتمال عبور دستگاه از مسیرهای مختلف به دست می آید. به این منظور، زمان اجرای برنامه با فرض تخلیه کامل آن و در نظر گرفتن احتمال حركت در هر یك از شاخه های زنجیره ماركوف محاسبه می شود.
سپس این زمان با زمان اجرای محلی روی دستگاه مقایسه شده و در صورت بهینگی، كل برنامه برای اجرا به سوی ابر تخلیه خواهد شد. در روش پیشنهادی این مقاله، احتمال قطعی و تغییر شرایط شبكه تحت تأثیر تحرك و همچنین دانه دانه شدگی برنامه كاربردی در نظر گرفته نمی شود.
در یک راه حل تخلیه بار تحرک آگاه ارائه شده که از مزایای شبکه های مبتنی بر نرم افزار برای مدیریت تحرک و کاهش زمان پاسخ بهره می برد. هدف مقاله داشتن تخلیه بار یکپارچه حین تحرک کاربر بین شبکه های بی سیم مختلف است. راه حل ارائه شده برای رسیدن به این هدف از کنترل کننده شبکه و ذخیره سازی از راه دور استفاده می کند. 

شمای پیشنهادی تخلیه بار تحرک آگاه با قابلیت تحمل پذیری خطا (MAFO)

همان طور که در بخش پیشین اشاره شد کارهای انجام شده در زمینه تخلیه بار تحرک آگاه از مشکلاتی از جمله عدم استفاده از مدل تحرک مناسب، عدم وجود قابلیت تحمل پذیری خطا و تخلیه یک جای برنامه به جای استفاده از دانه دانه شدگی رنج می برند. برای حل این چالش ها در این بخش به ارائه یک راه حل تخلیه بار تحرک آگاه تحکل پذیر خطا می پردازیم که اطلاعات شبکه و تحرک کاربر را در طول زمان جمع آوری و بر این اساس زنجیره مارکوف و پروفایل شبکه های ملاقات شده توسط کاربر و همچنین مدت زمان توقف در هر یک از شبکه ها را پیش بینی می کند. 
سپس مولفه های مناسب جهت تخلیه بار را با در نظر گرفتن احتمال عبور از مسیرهای مختلف پیش بینی شده روی زنجیره مارکوف و با لحاظ امکان وقوع قطعی در حین تخلیه بار، اجرا روی ابر و بازگشت نتایج به دستگاه متحرک انتخاب می کند. 
باتوجه به پیچیدگی این تصمیم گیری، انتخاب مولفه های مناسب جهت تخلیه به ابر با استفاده از الگوریتم ژنتیک صورت می پذیرد. 

تخلیه بار تحرک آگاه با قابلیت تحمل پذیری خطا در رایانش ابری موبایل
https://www.sid.ir/fa/journal/ViewPaper.aspx?ID=312962
 
كلمات كليدی: رابانش ابری، محاسبات ابری، رایانش ابری موبایل، سرور مجازی، فضای ذخیره سازی ابری

مقالات مرتبط

SIGMACloud

SIGMACloud

شرکت سیگما ITID در سال 1383 تاسیس شد. طی 15 سال فعالیت، سیگما عمدتا بر طراحی، توسعه و استقرار پورتال سازمانی، خدمات آنلاین و محصولات و خدمات محاسبات ابری تمرکز داشت. ما به 150+ سازمان و شرکت های بزرگ در ارتباطات مخابراتی، بانکی، پرداخت و صنایع دولتی برای دستیابی به اهداف خود کمک کردیم.