Ανάπτυξη Αλγόριθμων Ανάθεσης Πόρων σε Πλατφόρμες Υπολογιστικού Νέφους (Master thesis)
Μάγγου, Αικατερίνη
Cloud Computing environments accommodate applications, by providing virtualized resources that can be provided dynamically. However, users are charged based on the consumption of these resources in a “pay-as-you-go” basis. Because of the large data retrieval, the execution cost increases as long as the execution time of the application increases too. In addition to optimizing execution time, the cost arising from data transfers between resources as well as execution costs must also be taken into account. In this thesis, are presented the algorithms Early Time Scheduling (ETS) and Persistent Early Time Scheduling (PETS) which take into account the earliest start time a task can begin its execution into a cloud. The algorithm PETS also is an optimization of the algorithm ETS and removes the low priority tasks from the schedule and reschedules the clouds. The results show that the algorithms ETS and PETS can a) reduce the average additional schedule length and the average schedule length, b) reduce the average delay and c) reduce the average delay of high and low priority tasks.
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Subject classification: | Cloud computing. Algorithms. Αλγοριθμοι. Υπολογιστικό νέφος. |
| Keywords: | Υπολογιστικό νέφος;κατανομή πόρων;αλγόριθμος;χρόνος εκτέλεσης;κατανάλωση ενέργειας;Cloud computing;resource allocation;algorithm;execution time;energy consumption |
| Description: | Μεταπτυχιακή εργασία--Σχολή Τεχνολογικών Εφαρμογών--Τμήμα Μηχανικών Πληροφορικής,2015--7146 |
| URI: | http://195.251.240.227/jspui/handle/123456789/12995 |
| Item type: | masterThesis |
| General Description / Additional Comments: | Μεταπτυχιακή |
| Subject classification: | Cloud computing. Algorithms. Αλγοριθμοι. Υπολογιστικό νέφος. |
| Item language: | el |
| Item access scheme: | account |
| Institution and School/Department of submitter: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Publication date: | 2015-10-20 |
| Bibliographic citation: | <<Αικατερίνης Μάγγου>>, <<Ανάπτυξη Αλγόριθμων Ανάθεσης Πόρων σε Πλατφόρμες Υπολογιστικού Νέφους>>, <<Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής>>, <<Τ.Ε.Ι. Θεσσαλονίκης>>, <<2015>> |
| Abstract: | Τα περιβάλλοντα Υπολογιστικού Νέφους διευκολύνουν τις εφαρμογές με την παροχή εικονικοποιημένων πόρων, οι οποίοι μπορούν να παρέχονται δυναμικά. Ωστόσο, οι χρήστες χρεώνονται με βάση την κατανάλωση αυτών των πόρων και λόγω της μεγάλης ανάκτησης δεδομένων το κόστος εκτέλεσης αυξάνεται, καθώς αυξάνεται και ο χρόνος εκτέλεσης μίας εφαρμογής. Επίσης, για να υπολογιστεί ορθά ο χρόνος εκτέλεσης θα πρέπει σε αυτόν να προστεθεί και το κόστος μεταφοράς των δεδομένων μεταξύ των πόρων. Στην παρούσα διπλωματική εργασία, παρουσιάζεται ο αλγόριθμος Early Time Scheduling (ETS) και ο αλγόριθμος Persistent Early Time Scheduling (PETS), οι οποίοι βασίζονται στο νωρίτερο χρόνο που μπορεί να εκτελεστεί μία διεργασία μέσα σε ένα υπολογιστικό νέφος και την καταχωρούν σε αυτό. Ο PETS, όντας βελτιστοποίηση του ETS, διαγράφει τις διεργασίες χαμηλής προτεραιότητας, και επαναπρογραμματίζοντας τα νέφη, τις καταχωρεί εκ νέου. Στα αποτελέσματα, αποδεικνύεται ότι οι αλγόριθμοι ETS και PETS μπορούν α) να μειώσουν το επιπρόσθετο μήκος και το γενικό μέσο μήκος του πίνακα όταν νέες εφαρμογές καταφτάνουν και πρέπει να καταχωρηθούν στον πίνακα των νεφών, β) να μειώσουν το μέσο χρόνο καθυστέρησης της εκτέλεσης των εφαρμογών και τέλος γ) να μειώσουν το μέσο χρόνο καθυστέρησης των διεργασιών χαμηλής και υψηλής προτεραιότητας. Cloud Computing environments accommodate applications, by providing virtualized resources that can be provided dynamically. However, users are charged based on the consumption of these resources in a “pay-as-you-go” basis. Because of the large data retrieval, the execution cost increases as long as the execution time of the application increases too. In addition to optimizing execution time, the cost arising from data transfers between resources as well as execution costs must also be taken into account. In this thesis, are presented the algorithms Early Time Scheduling (ETS) and Persistent Early Time Scheduling (PETS) which take into account the earliest start time a task can begin its execution into a cloud. The algorithm PETS also is an optimization of the algorithm ETS and removes the low priority tasks from the schedule and reschedules the clouds. The results show that the algorithms ETS and PETS can a) reduce the average additional schedule length and the average schedule length, b) reduce the average delay and c) reduce the average delay of high and low priority tasks. |
| Table of contents: | Πίνακας περιεχομένων Περιεχόμενα Λίστα Εικόνων .......................................................................................................................................ix Λίστα Πινάκων ....................................................................................................................................xiii Λίστα Ακρωνυμίων............................................................................................................................... xv 1 Εισαγωγή.............................................................................................................................1 1.1 Επισκόπηση .................................................................................................................1 1.1.1 Βασικά χαρακτηριστικά:........................................................................................2 1.2 Αντικείμενο διπλωματικής...........................................................................................3 1.2.1 Συνεισφορά ...........................................................................................................3 1.3 Οργάνωση κειμένου.....................................................................................................3 2 Σχετικές εργασίες................................................................................................................5 2.1 Βελτιστοποίηση του κόστους εκτέλεσης και του κόστους μεταφοράς δεδομένων .....5 2.2 Μείωση της κατανάλωσης ενέργειας...........................................................................7 2.3 Εξισορρόπηση φόρτου και κόστος μετανάστευσης εικονικών μηχανών ..................11 2.4 Βελτιστοποίηση του χρόνου εκτέλεσης και μείωση της κατανάλωσης ενέργειας ....16 3 Θεωρητικό υπόβαθρο .......................................................................................................20 3.1 Υπολογιστικό Νέφος..................................................................................................20 3.1.1 Μοντέλο υπηρεσίας (Service Model): .................................................................20 3.1.2 Μοντέλο αναφοράς Υπολογιστικού Νέφους.........................................................22 3.1.3 Μοντέλα ανάπτυξης Υπολογιστικού Νέφους ........................................................25 3.1.4 Δημόσια εναντίον Ιδιωτικών νεφών ....................................................................25 3.1.5 Προνόμια του Υπολογιστικού Νέφους..................................................................27 3.1.6 Εμπόδια και λύσεις για το Υπολογιστικό Νέφος...................................................27 3.2 Κατανομή Πόρων.......................................................................................................33 3.2.1 Προβλήματα κατανομής πόρων...........................................................................34 3.3 Matlab 8.1 (MathWorks)............................................................................................35 vii 3.4 Γλώσσα προγραμματισμού Matlab............................................................................35 3.5 SmartDraw CI............................................................................................................36 4 Καθορισμός Προβλήματος............................................................................................... 37 4.1 Χωρητικότητα και χρόνος εκτέλεσης........................................................................37 4.2 Round-Robin..............................................................................................................38 4.2.1 Παραδείγματα χρήσης και υλοποίησης του αλγορίθμου RR.................................40 4.3 List-Scheduling..........................................................................................................55 4.3.1 Παραδείγματα χρήσης και υλοποίησης του αλγορίθμου LS .................................56 4.4 Σύγκριση αλγορίθμων RR και LS..............................................................................68 5 Προτεινόμενες λύσεις και Υλοποίηση.............................................................................70 5.1 Early Time Scheduling – ETS ...................................................................................70 5.1.1 Παραδείγματα χρήσης και υλοποίησης του αλγορίθμου ETS...............................72 5.1.2 Σύγκριση του αλγορίθμου ETS με τους αλγόριθμους LS και RR..........................75 5.2 Persistent Early Time Scheduling – PETS.................................................................76 5.2.1 Παραδείγματα χρήσης και υλοποίησης του αλγορίθμου PETS.............................78 5.2.2 Σύγκριση του αλγορίθμου PETS με τον αλγόριθμο ETS ......................................82 6 Αξιολόγηση........................................................................................................................ 83 6.1 Παράμετροι αξιολόγησης ..........................................................................................83 6.2 Σύστημα αξιολόγησης και Αποτελέσματα πειραμάτων.............................................84 6.2.1 Script_Clouds .....................................................................................................84 6.2.2 Script_Tasks........................................................................................................88 6.2.3 Script_Process_Time ..........................................................................................92 6.2.4 Script_Load_High...............................................................................................95 6.2.5 Script_Load_Low................................................................................................98 6.3 Σύνοψη συμπερασμάτων αξιολόγησης....................................................................102 7 Επίλογος .......................................................................................................................... 104 7.1 Σύνοψη και συμπεράσματα......................................................................................104 7.2 Μελλοντικές επεκτάσεις..........................................................................................104 7.2.1 Εμπορικές επεκτάσεις........................................................................................105 7.2.2 Θέματα ασφάλειας.............................................................................................107 Βιβλιογραφία.......................................................................................................................................109 |
| Advisor name: | Σαρηγιαννίδης, Παναγιώτης |
| Examining committee: | Σαρηγιαννίδης, Παναγιώτης |
| Publishing department/division: | Σχολή Τεχνολογικών Εφαρμογών/ Τμήμα Μηχανικών Πληροφορικής |
| Publishing institution: | teithe |
| Number of pages: | 131 |
| Appears in Collections: | Μεταπτυχιακές Διατριβές |
Files in This Item:
There are no files associated with this item.
Please use this identifier to cite or link to this item:
This item is a favorite for 0 people.
http://195.251.240.227/jspui/handle/123456789/12995
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.
