Optimizing load balancing and task scheduling algorithms in cloud computing
Bulut bilişimde yük dengeleme ve görev planlama algoritmalarının optimize edilmesi
- Tez No: 833140
- Danışmanlar: DR. ÖĞR. ÜYESİ MUSTAFA YENİAD
- Tez Türü: Yüksek Lisans
- Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2023
- Dil: İngilizce
- Üniversite: Ankara Yıldırım Beyazıt Üniversitesi
- Enstitü: Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Bilgisayar Mühendisliği Bilim Dalı
- Sayfa Sayısı: 108
Özet
Yük dengeleme ve görev zamanlama, bulut bilişimde hem kullanıcının hem de hizmet sağlayıcının beklentileri karşılaması açısından optimize edilmesi gereken önemli bir problemdir. Yeterli seviyede optimize edilememiş görev zamanlama süreçleri, QoS yerine getirilememesi ve SLA ihlali nedeniyle hem müşteri ve hem de hizmet sağlayıcı açısından olumsuzluklara neden olur. Görev zamanlama algoritmasının optimizasyonu ile müşteri ve sağlayıcı taleplerinin en yüksek seviyede karşılanması mümkün olabilir. Metasezgisel algoritmalar bulut görev zamanlama gibi NP-Zor problemlerde iyi sonuçlar üretir. Bu çalışmada, bulut bilişim ortamlarında yük dengeleme ve görev zamanlamayı optimize etmek için Klonal Seçim Algoritması (CSA), Genetik Algoritma (GA), Diferansiyel Evrim (DE) ve Parçacık Sürü Optimizasyonu (PSO) gibi metasezgisel algoritmaların karşılaştırmalı performans analizleri yapılmıştır. Algoritmaların arama performansını artırmak için literatürde kullanılan metasezgisel algoritmaların hibritleştirilmesi ve adaptif hiperparametre optimizasyonu gibi yöntemlerin aksine, arama performansını artırmak için bir paralelleştirme yöntemi önerilmiştir. Önerilen hibrit paralelleştirme yöntemi, metasezgisel algoritmadan bağımsız ve esnek bir şekilde uygulanabilmesi için küresel popülasyon master-slave ve çoklu-deme yöntemlerinden yararlanılarak oluşturulmuştur. Önerilen paralelleştirme modeli CSA, DE, PSO ve GA algoritmalarına ayrı ayrı uygulanmış ve detaylı arama performans analizleri incelenmiştir. Sonuçlar, algoritmaların normal sıralı sürümleri ile karşılaştırıldığında, CSA algoritmasının GA'ya yakın sonuçlar vermesine rağmen diğer algoritmalara göre daha başarılı sonuçlar elde ettiğini göstermiştir. Önerilen paralelleştirme modeli, test edilen tüm algoritmaların performansını artırmış ve Paralel Klonal Seçim Algoritması (PCSA), karşılaştırılan diğer algoritmalardan daha iyi sonuçlar vermiştir.
Özet (Çeviri)
The load balancing and task scheduling are important problems that need to be optimized in cloud computing in terms of meeting the expectations of both the user and the provider. A poorly optimized scheduling method harms the customer and the provider due to non-fulfillment of Quality of Service (QoS) and violation of the Service Level Agreement (SLA). It is possible to meet customer and provider demands in the best way with a well-optimized task scheduling algorithm. Metaheuristic algorithms produce good outcomes in solving NP-Hard problems such as cloud task scheduling problem. In this study, comparative performance analysis of metaheuristic algorithms such as Clonal Selection Algorithm (CSA), Genetic Algorithm (GA), Differential Evolution (DE), and Particle Swarm Optimization (PSO) are presented to optimize load balancing and task scheduling in cloud computing environments. Contrary to methods such as hybridization of metaheuristic algorithms and adaptive hyperparameters methods used in the literature to increase the search performance of algorithms, a parallelization method is proposed to increase search performance in this study. The proposed hybrid parallelization method is created by taking advantage of the global population master-slave and multiple-deme methods to be independent of the metaheuristic algorithm and to be implementing flexible. The proposed parallelization model is applied separately to CSA, DE, PSO, and GA algorithms, and detailed search performance analyses are presented. The results showed that when the normal sequential versions of the algorithms are compared, the CSA algorithm achieves more successful results than other algorithms, even though it gives close results to GA. The proposed parallelization model improves the performance of all tested algorithms, and the Parallel Clonal Selection Algorithm (PCSA) that parallel version of the CSA, reached better results than other compared algorithms.
Benzer Tezler
- A computation offloading for iot of edge computing: A reinforcement learning approach based on DDPG
Uç bı̇lgı̇ ı̇şlem ı̇çı̇n bı̇r hesaplama boşaltma: DDPG'ye dayalı bı̇r takvı̇ye öğrenme yaklaşımı
FATIMAH NAJEH ABDULATEEF AL ZUBAIDI
Yüksek Lisans
İngilizce
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKarabük ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ NEHAD T. A. RAMAHA
- Aerial platforms utilization for future networks
Gelecek ağlar için hava platformları kullanımı
MOSTAFA HELMY MOHAMED ABDELKHALEK
Yüksek Lisans
İngilizce
2018
Elektrik ve Elektronik Mühendisliğiİstanbul Medipol ÜniversitesiElektrik Elektronik Mühendisliği ve Siber Sistemler Bilim Dalı
Prof. Dr. HÜSEYİN ARSLAN
- Yazılım tanımlı ağlarda yük dengeleme probleminin optimizasyonu
Optimizing the load balancing problem in software-defined networks
ŞEYMA AYMAZ
Doktora
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolKaradeniz Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. TUĞRUL ÇAVDAR
- Traffic and mobility aware delay modeling for software-defined networks (SDN)
Yazılım tanımlı ağlar için trafik ve hareket duyarlı gecikme modeli
MÜGE ÖZÇEVİK
Doktora
İngilizce
2019
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. BERK CANBERK
- Optimizing routing in AOMDV by load balancing in manet
Optımızıng routıng ın AOMDV by load balancıng ın manet
ALA ALDEN ALGBN
Yüksek Lisans
İngilizce
2022
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHarran ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DR. ÖĞR. ÜYESİ MEHMET EMİN TENEKECİ