ترکیب مدل های پیش بینی و روش های اکتشافی برای جای گذاری ماشین های مجازی با هدف کاهش نقض توافق سطح سرویس در محیط ابر

امروزه با افزایش مراکز داده ابر مصرف برق افزایش یافته و مدیریت زیرساخت ابر نیز پیچیده تر شده است. از طرف دیگر برآورده کردن نیازهای کاربران ابر از اهداف مهم در زیرساخت ابر می باشد. فرآیند تعیین وضعیت بار ماشین های فیزیکی و جای گذاری ماشین های مجازی روی ماشین های فیزیکی مناسب می تواند مصرف انرژی را کاهش دهد و از نقض توافق سطح سرویس کاربران جلوگیری کند. برای حل این گونه مسایل، یک راهکار جای گذاری ماشین های مجازی با توانایی پیش بینی مورد نیاز است تا ماشین های مجازی را به طور کارا در زمان اجرا در میزبان های مناسب قرار دهد. راهکارهای فعلی عمدتا از یک مدل پیش بینی برای پیش بینی بار ماشین های فیزیکی استفاده کرده اند و یا اکثرا تنها به موضوع پیش بینی بار میزبان ها پرداخته اند و مسئله قرارگیری ماشین های مجازی را در نظر نگرفته اند. هدف این تحقیق ارایه یک راهکار مدیریت منابع ابر است که با استفاده از ترکیب مدل های پیش بینی رگرسیون، میانگین متحرک و هموارسازی نمایی ساده جهت شناسایی ماشین های فیزیکی فرابار و با استفاده از روش های اکتشافی مبتنی بر مصرف انرژی، بهرهوری پردازنده، تعداد ماشینهای مجازی و حافظه جهت تعیین ماشین فیزیکی مناسب برای جای گذاری ماشین های مجازی مهاجر بین کاهش تخطی در توافق سطح سرویس و کاهش مصرف انرژی مصالحه برقرار کند. برای ارزیابی مدل پیشنهادی از شبیه ساز cloudsim نسخه 3.0.3 استفاده شده است. نتایج شبیه سازی نشان می دهد که مدل ارایه شده در مقایسه با روش های مشابه به طور میانگین تخطی از توافق سطح سرویس، مصرف انرژی و تعداد مهاجرت های ماشین های مجازی را به ترتیب 45.65%، 28.96 % و 46.49% کاهش داده است.