الگوریتم زمانبندی کار مبتنی بر امنیت با استفاده از تکنیک بهینه سازی ازدحام ذرات و یادگیری انطباقی چندگانه

امروزه بسیاری از مسایل علمی پیچیده نیاز به قدرت محاسباتی و فضای ذخیره⁠سازی بالایی دارند. رایانش ابری مدلی است برای دسترسی آسان و بنا به سفارش منابع رایانشی مانند فضای ذخیره سازی با کمترین نیاز به دخالت فراهم کننده خدمات. ابرها به دلیل مزایای بسیار مورد استقبال قرار گرفتند ولی با توجه به برون سپاری، مسایل مربوط به امنیت و حفظ حریم خصوصی به عنوان مهم ترین مشکلات این حوزه مطرح می شوند. از طرف دیگر، زمانبندی کارها یک مسئله اساسی در سیستم های توزیع شده ای چون رایانش ابری است. زیرا در یک زمان واحد، کارهای متعددی برای اجرا شدن وجود دارد که به منابع متفاوتی احتیاج دارند درحالی که منابع محدود هستند. از این رو باید به طور هوشمندانه کارها زمانبندی شوند تا عملکرد سیستم و سوددهی فراهم کننده حداکثر گردد. برای حل این مشکل، روش های مختلف مانند الگوریتم⁠های مبتنی بر گرادیان برای مسایل مستمر و تک مدلی معمول هستند. اما اگر برای زمانبندی در رایانش ابری استفاده شوند، به دلیل فضای جستجوی بزرگ و طبیعت پیچیده مسایل، این الگوریتم⁠ها ممکن است راه⁠حل رضایت⁠بخشی ارایه ندهند. روش⁠های فرا⁠اکتشافی کارآمد می⁠توانند با این مشکل مقابله کرده و راهحل نزدیک به بهینه در کوتاه⁠ترین دوره زمانی را پیدا کنند. در نتیجه در این مقاله، الگوریتم زمانبندی برای بهبود امنیت با استفاده الگوریتم بهینه سازی ازدحام ذرات بهبودیافته ارایه شده است. الگوریتم بهبودیافته با استفاده از یادگیری انطباقی منجر به تنوع در جمعیت می شود و لذا تعادلی بین عملیات اکتشاف و بهره برداری به دست می آید. الگوریتم زمانبندی پیشنهادی همزمان پنج پارامتر (زمان بازگشت، بار، مصرف انرژی، هزینه و امنیت) را در حین توزیع کارها در نظر می گیرد تا در نهایت منجر به توزیع بار و کاهش مصرف انرژی می گردد. الگوریتم⁠ پیشنهادی با استفاده از شبیه ساز کلودسیم پیاده⁠سازی و با روش های مربوطه (CJS, OTSS, GTSA, JSSS) مقایسه می⁠شود. نتایج حاصل از شبیه سازی نشان می دهد که الگوریتم پیشنهادی با در نظر گرفتن ویژگی های کارها و منابع، کارایی و اثربخشی قابل توجهی در محیط رایانش ابری خصوصا در بار کاری بالا دارد.