دوره آموزشی آنلاین کلودسیم شبیه ساز CloudSim

بدون ديدگاه
صفحه 1
دوره شبیه سازب آنلاین کلودسیم پیشرفتهای کاربر محور Cloud از شبیه ساز CloudSim برای بهبود تجزیه و تحلیل گزینه استقرار ابر
چکیده. محیط های ابر را می توان با استفاده از ابزار Cloud- شبیه سازی کرد سیم با استفاده از مفاهیمی مانند سرورهای فیزیکی در دیتاسنترها ، سیاست های اختصاصی ماشین دوگانه یا مدل های درشت دانه مستقر نرم افزار ، روی دیدگاه ارائه دهنده ابر متمرکز است. در مقابل ، یک ابر کاربرانی که می خواهند سیستم های پیچیده را به ابر مهاجرت کنند ، بطور معمول تلاش می کند برای پیدا کردن یک گزینه استقرار ابری که به بهترین وجهی برای پیشرفته بودن آن مناسب باشد –معماری سیستم cated ، علاقه مند به تعیین بهترین تجارت است بین هزینه ها و عملکرد ، یا می خواهد مقایسه شود
به عنوان مثال برنامه های تصویری. ما پیشرفت های قابل توجهی را ارائه می دهیم CloudSim که اجازه می دهد تا این دیدگاه کاربر ابر را دنبال کرده و آن را فعال کند ادغام بدون اصطکاک مدلهای کاربرد دانه ریز که بسیار عالی است میزان ، می تواند به طور خودکار از سیستم های نرم افزاری حاصل شود. چهارچوب ما- ارزیابی تبیینی کاربرد و دقت ما را نشان می دهد با مقایسه نتایج شبیه سازی آن با استقرار واقعی رویکرد که از محیط ابری Amazon EC2 استفاده می کند.
1. معرفی
ابزار CloudSim [ 2] می تواند محیط های ابر را شبیه سازی کند. تمرکز آن بر روی
cepts مانند استراتژی های برنامه ریزی CPU ، مدل های میزبان فیزیکی دقیق و مجازی
خط مشی تخصیص دستگاه (VM). از این رو ، چشم انداز ارائه دهنده ابر را در نظر می گیرد.
با این حال ، برای انتقال یک برنامه به ابر ، یک کاربر ابر معمولاً می خواهد
برای یافتن گزینه استقرار ابری (CDO) که بهترین تجارت را بین شما فراهم می کند
هزینه ها و عملکرد ، در حالی که بسیاری از جزئیات سیستم عامل اصلی باقی مانده است
ناشناس. در زمینه استقرار نرم افزار بر روی بستر ابری ، یک CDO می تواند باشد
به عنوان ترکیبی از تصمیمات در مورد انتخاب ارائه دهنده ابر مشاهده می شود ،
استقرار قطعات به تعدادی از نمونه های ماشین مجازی ،
پیکربندی نمونه های مجازی ماشین ، و استراتژی سازگاری خاص با زمان اجرا-
بچه ها مجموعه ترکیبی از گزینه های داده شده ، فضای طراحی عظیمی را تشکیل می دهد
که امتحان کردن به صورت دستی غیرممکن است [ 5]. بنابراین ، شبیه سازی CDO به میزان قابل توجهی می تواند
استدلال در مورد راه حل های مناسب برای کاربران ابر ساده کنید.
ما ابزار شبیه سازی CDOSim [3] را ساخته ایم که می تواند هزینه ها را شبیه سازی کند ،
زمان پاسخ ، و نقض SLA از CDO. برای این اهداف ، ما استفاده کردیم
و قابل ملاحظه ای شبیه ساز ابر CloudSim را با استفاده از خاصیت ارتجاعی ،
F. De Paoli، E. Pimentel، and G. Zavattaro (Eds.): ESOCC 2012، LNCS 7592، pp. 200-207 ، 2012.
c Springer-Verlag Berlin Heidelberg 2012

صفحه 2
بهبود Cloud Simulator CloudSim
201
مدل های قیمت و تماس های از راه دور بین نمونه های ماشین مجازی. در این صفحه،
ما پیشرفت های خود را به CloudSim ارائه می دهیم که یک کاربر اختصاصی ابر را تسهیل می کند
چشم انداز. جدایی ما از این چشم اندازها به دنبال تعریف نقش ابر است
مدل توسط Armbrust و همکاران. [1 ] : ارائه دهنده ابر منابع را به کاربران ابر ارائه می دهد
از نظر پارادایم محاسبات ابزار. ما درمورد مطالعه موردی که استفاده می کند گزارش می کنیم
محیط ابر عمومی آمازون EC2 و دقت آن را نشان می دهد
پیشرفت های CloudSim ما.
مقاله باقیمانده به شرح زیر است. بررسی اجمالی بخش 2
CDOSim. پیشرفت های CloudSim ما در بخش 3 ارائه شده است پس از آن ،
بخش 4 پیشرفت ها را با کمک یک مطالعه موردی ، قبل از مورد ارزیابی می کند
کارهای مرتبط در بخش 5 شرح داده شده است . بخش 6 نتیجه گیری نهایی است
و کارهای آینده را تشریح می کند.
2 Cloud Deployment Option Simulator شبیه ساز CDOSim
CDOSim بر روی CloudSim ساخته شده است [2]. این یک ابزار ابزار برای مدل سازی و شبیه سازی است
محیط های ابر با CloudSim ، شبیه سازی محیط های توزیع شده است
و واحدهای مدل مربوطه ، به عنوان مثال ، ماشین های مجازی ، استراتژی های برنامه ریزی ،
و مراکز داده ، می توانند با استفاده از یک کامپیوتر واحد انجام شوند. اتصالات شبکه
بین مراکز داده و کارگزاران مرکز داده نیز می توان شبیه سازی کرد.
در مقابل ، ابزار CDOSim ما امکان شبیه سازی ابرهای مختلف را فراهم می کند
گزینه های ployment برای سیستم های نرم افزاری که اغلب آنها به طور خودکار وجود دارد
مهندسی معکوس به دانش کشف متامدل (KDM)1 مدل کد.
KDM برای نشان دادن معماری برنامه مورد استفاده مورد استفاده قرار می گیرد.
CDOSim در چارچوب مهاجرت ابری ما CloudMIG [4] ادغام شده و قابل استفاده است
به صورت آنلاین به عنوان افزونه ای برای ابزار مربوطه CloudMIG Xpress قادر است.2 CloudMIG
با استفاده از پروفایل های ابر به اصطلاح برای مدل سازی ، برای مثال ، منابع ارائه شده ،
رذیله ها ، و قیمت گذاری یک محیط ابر. در زمینه آن پروفایل های ابر ،
CDOSim می تواند هزینه های رخ داده ، زمان پاسخ و تخلفات SLA را شبیه سازی کند
یک CDO. استراتژی های مختلف برنامه ریزی VM از ارائه دهندگان ابر به طور ضمنی است
اندازه گیری شده توسط معیار ما (برای جزئیات بیشتر به Fittkau [ 3 ] مراجعه کنید). CDOSim از Struc- استفاده می کند
اندازه گیری متا مدل متا (SMM)3 مدل برای توصیف پروفایل کار. که در
SMM ، اندازه گیری ، اندازه گیری ، و نشانهای زمانی مشاهده هر یک
تماس با خدمات شرح داده شده است علاوه بر این ، CDOSim می تواند شروع یا خاموش کند
نمونه های ماشین مجازی بر اساس میانگین استفاده CPU از ویروس اختصاص داده شده-
نمونه های دستگاه دوتایی ناشی از الگوهای بار کاری دلخواه. علاوه بر این،
نوع نمونه اولیه VM و تعداد مواردی که باید در آن اجرا شود
آغاز شبیه سازی را می توان پیکربندی کرد. برای شروع پویا و
موارد VM را متوقف کنید و از انواع دیگر مثالهای VM با استفاده متفاوت استفاده کنید
شدت بار کار ، CloudMIG Xpress سازگاری به اصطلاح زمان اجرا را فراهم می کند
قوانین این قوانین را می توان با CDOSim نیز شبیه سازی کرد.
1
http://www.omg.org/ Spec/KDM/ ، آخرین دسترسی 2012-06-29.
2
http://www.cloudmig.org/ ، آخرین بازدید 2012-06-29.
3
http://www.omg.org/ Spec/SMM/ ، آخرین دسترسی 2012-06-29.

صفحه 3
202
F. Fittkau ، S. Frey و W. Hasselbring
3 Cloud User-Centric Enhancements از CloudSim
بخش های بعدی 3.1 تا 3.7 پیشرفت های CloudSim ما را با جزئیات شرح می دهد.
3.1 مدل استفاده CPU در هر هسته
CloudSim یک مدل کاربردی پردازنده مبتنی بر تصادفی خالص ارائه می دهد زیرا
استفاده از CPU معمولاً از منظر ارائه دهنده ابر کاملاً تصادفی است. چگونه-
از هر زمان دیگر ، از دید کاربر Cloud می توانیم از CPU استفاده تقریبی کنیم
به دلیل دانش بیشتر در مورد ساختار برنامه در شرکت
bination با نمایه بار کار ضبط شده استفاده از CPU قبل از عمده
شاخص دیکتاتور برای عملکرد یک نمونه VM. برای این منظور ، ما
پیاده سازی یک مدل استفاده از CPU که کارهای انجام شده را برای آن دنبال می کند
تماس با برنامه
3.2 شروع و متوقف کردن موارد واقعیت مجازی در تقاضا
در CloudSim ، نمونه های ماشین مجازی را نمی توان به راحتی شروع کرد
تقاضا در زمان اجرا آنها باید قبل از شروع شبیه سازی یا
هنگامی که شبیه سازی متوقف شود. از این رو ، هیچ راهی مناسب برای شبیه سازی وجود ندارد
کشش خودکار در CloudSim. نویسندگان CloudSim راهی برای متوقف کردن ارائه می دهند
شبیه سازی و سپس پیکربندی را تغییر دهید. با این حال ، با استفاده از این روش
برای فعال کردن قابلیت ارتجاعی ، متوقف کردن شبیه سازی ، به عنوان مثال ، هر کدام
دقیقه و آزمایش اگر پیکربندی باید تغییر یابد. این فعالیت
باید یک عملکرد داخلی باشد و به عنوان کاربران ابری ما فقط باید تعریف کنیم
قوانین انطباق ما این ویژگی را در CloudSim پیاده سازی کردیم.
برای شروع و خاتمه موارد در قوانین ، قوانین سازگاری لازم است
اساس وقایع یا بیش از آستانه. مثالی برای آن
قانون سازگاری عبارت است از “شروع نمونه جدید VM هنگامی که به طور متوسط ​​60 ثانیه باشد
استفاده از CPU از گره های اختصاص یافته بالاتر از 70٪ باقی می ماند. “
CloudSim به طور موثری این مقدار را محدود می کند زیرا تنها یک مقدار محدود است
میزبان ها می توانند به صورت مقدماتی اضافه شوند و هر میزبان از ظرفیت محدودی نیز برخوردار است.
ما CloudSim را به گونه ای توسعه دادیم که با هر نمونه ماشین مجازی جدید جدیدی پیدا کند
میزبان ، که متناسب با نیازهای نمونه دستگاه مجازی است ، به صورت پویا اضافه می شود
در زمان اجرا
3.3 ایجاد تاخیر Cloudlet
CloudSim به کلیه Cloudlets ها که یک محاسبه برنامه کاربردی هستند ، نیاز دارد
اگر ما از روش غیر متوقف کردن توقف simu صرف نظر کنیم ،
بستن در یک بازه زمانی مشخص. با این رفتار برنامه های وب نمی توانند باشند
به روشی واقع گرایانه الگوبرداری شده زیرا تمام درخواست ها در آغاز کار شروع می شوند
شبیه سازی و به موازات. از این رو ، ما CloudSim را طوری تقویت کردیم که Cloudlets
با تأخیر در ویژگی ، که مربوط به زمان زمانی که
Cloudlet باید برای پردازش ارسال شود. از این رو ، اکنون می توانیم انعطاف پذیر و کارآمد باشیم
پروفایل های واقع بینانه.

صفحه 4
بهبود Cloud Simulator CloudSim
203
3.4 تاخیر در شروع ماشین های مجازی
در CloudSim ، ایجاد یک ماشین مجازی منجر به در دسترس بودن سریع آن می شود
به عنوان مثال VM آزمایشات انجام شده ما نشان داد که میانگین تأخیر در
به عنوان مثال ، یک دقیقه روی ابر خصوصی اکالیپتوس ما که به طور معمول نیست
ناچیز بنابراین ، ما یک رویداد را برای ایجاد تأخیر در ایجاد VMS اجرا کردیم.
روش ایجاد قبلی توسط این کنترل کننده رویداد جدید آغاز شده است.
3.5 زمان بندی قابل تنظیم برای Cloudlets
در برنامه های وب ، بطور معمول یک زمان پاسخ تنظیم تنظیم شده وجود دارد. بعد از این
اتمام زمان ، یک پاسخ بی فایده است زیرا مشتری یا سرور اتصال را بسته است.
بیشتر سرورهای وب با بسته شدن اتصال توسط زمان اتمام ، تشخیص می دهند
و کار مربوطه که جواب را محاسبه می کند را خاتمه می دهد. این
منجر به صرفه جویی در زمان CPU می شود. از این رو ، ما همچنین یک تماس تلفنی را اجرا کردیم
منطق برنامه هر Cloudlet که اجرا می شود ، متوقف شده یا منتظر است
بعد از یک مهلت قابل تنظیم لغو می شوید.
3.6 مدل بدهی پیشرفته
مدل بدهی در CloudSim درشت و درشت نگه داشته می شود و به طور خاص ، بسیار دقیق است.
ذهنیت فقط از مکانیسم محاسبه اساسی استفاده می کند. مدل سازی بدهی جاری
به عنوان مثال ، مدل آمازون EC2 با این مدل بدهی امکان پذیر نیست. از این رو ،
ما یک مدل بدهی را اجرا کردیم که از مدل قیمت گذاری CloudMIG Xpress پیروی می کند
و مدت زمانی را می گیرد که بدهی ها برای آن محاسبه می شود. به عنوان مثال ، برای mod-
در هر ساعت آغاز شده ، مدل بدهی مورد تقاضای VM از Amazon EC2 را انتخاب کنید
قیمت VM در حال اجرا به بدهی ها اضافه می شود. علاوه بر این ، مدل بدهی
برای استفاده از پهنای باند به عنوان یک عملکرد مرحله ای مانند آمازون EC2 انجام شده است.
به عنوان مثال ، اولین گیگابایت ترافیک رایگان است ، بالاتر از یک گیگابایت تا
10،000 گیگ ، هر گیگ در زمان این نوشتن 0.12 دلار قیمت دارد.
تماس با روش و ترافیک شبکه بین ماشین مجازی
موارد
در CloudSim ، هر Clletlet روی یک نمونه دستگاه مجازی اجرا می شود. میتونه باشه
به نمونه‌های دیگر ماشین مجازی منتقل شد اما یک Cloudlet ، به عنوان مثال ، نماینده آن است
روش شی گرا ، نمی تواند Cloudlets دیگر را “صدا کند”.
ما می خواستیم فراخوانی صریح روشها بین مجازی های مختلف را شبیه سازی کنیم
نمونه های دستگاه و در همین مورد. به عنوان مثال ، یک مورد استفاده برای این مورد است
فراخوانی سرویس های وب در سایر موارد دستگاه مجازی. به این منظور،
ما مجبور شدیم برنامه زمانبندی Cloudlet جدید را پیاده سازی کنیم. به عنوان مثال فرض کنید متد1
که باید بر روی اجرا VM1 و باید همزمان پاسخ method2 در VM2 .
Method1 است نشان Cloudlet1 . قبل از اجرای Cloudlet1 ، برنامه زمانبندی
جستجو در کد منبع از method1 برای روش های است که توسط به نام method1 .
فراخوانی با متد 2 یافت می شود و سرویس Index برای محل سؤال می شود
که متد2 در حال اجراست خدمات صفحه اول برمی گرداند VM2 و برای method2

صفحه 5
204
F. Fittkau ، S. Frey و W. Hasselbring
Cloudlet2 جدید در VM2 ایجاد شده است . سپس ، Cloudlet1 به معنای خود مکث می کند
سایر Cloudlets می توانند در VM1 پردازش کنند . فرض method2 انجام هیچ روش تماس.
بنابراین ، Cloudlet2 پردازش کرده و سپس Cloudlet1 را بطور کامل بیدار می کند . Cloudlet1
اکنون می توانید روش های دیگر را پردازش یا تماس بگیرید.
4 مطالعه موردی
ما یک مطالعه موردی انجام دادیم تا نشان دهیم که پیشرفتهای CloudSim ما در این زمینه کار می کنند
روشی معتبر و واقعی ما از ابزار توسعه یافته CDOSim استفاده کردیم ، که شامل ما نیز می شود
پیشرفت های CloudSim ، برای تولید یک اجرای واقعی که در Amazon EC2 انجام دادیم.
ارزیابی های بیشتر CDOSim ، که همچنین قابلیت مقیاس پذیری آن را نشان می دهد ، می توانید در اینجا مشاهده کنید
فیتكائو [ 3 ]. ما در مطالعه موردی از iBatis JPetStore 5.0 4 استفاده می کنیم.
4.1 روش
مقادیر اندازه گیری شده را با مقادیر شبیه سازی شده در دقیقه مقایسه می کنیم. ارزش ها
ما مقایسه می کنیم استفاده از CPU ، تعداد نمونه ، هزینه و زمان پاسخ است. به عنوان
متریک ، ما از خطای نسبی برای هر یک از این جنبه ها در مقادیر درصد استفاده می کنیم. برای
با محاسبه خطای نسبی در timestamp t ، مقدار شبیه سازی شده کم می شود
از مقدار اندازه گیری شده و سپس با مقدار اندازه گیری تقسیم می شود. نسبی
خطا (RE) برای کل اجرا با جمع کردن خطای نسبی محاسبه می شود
برای هر علامت زمانی و سپس تقسیم مقدار بر تعداد علامت های زمانی.
برای جزئیات بیشتر به Fittkau مراجعه می کنیم [ 3 ]. همه درصد مقادیر بعد از آن کوتاه خواهند شد
رتبه دوم اعشار ما چهار RES مختلف داریم. پردازنده RE مخفف است
خطای نسبی در استفاده از پردازنده. RE IC خطای نسبی VM است
تعداد نمونه RE هزینه ها خطای نسبی خروجی هزینه ها است. علائم RE RT
خطای نسبی زمان پاسخ. با توجه به محدودیت های فضا ، ما فقط ارائه می دهیم
توطئه برای استفاده از CPU. برای مقایسه کل اجرا می کنیم
خطای نسبی کلی ( OverallRE ) که میانگین حسابی این چهار است
خطاهای نسبی شرح داده شده قبلی OverallRE باید کمتر از 30٪ باقی می ماند
نتایجی که به اندازه کافی دقیق باشد [ 8] .
4.2 C1: مطالعه موردی با استفاده از موارد منفرد اصلی
هدف. هدف ما برای این مطالعه موردی نشان دادن پیشرفتهای CloudSim است
با شبیه سازی یک اجرای انجام شده که از نمونه های تک هسته ای استفاده می شود ، معتبر هستند.
تنظیم آزمایشی. تابع شدت بار کاری که در کیس مورد استفاده قرار می گیرد
ریشه مطالعه از ارائه دهنده خدمات برای عکس های دیجیتال. این یک شبانه روز را نشان می دهد-
حجم کار چرخه که الگوی است برای وب سایت های منطقه ای معمولی تلقی می شود. آی تی
با چند درخواست در شب شروع می شود و صبح افزایش می یابد. سپس ، اوج می گیرد
در حدود 3500 درخواست در دقیقه در ساعت 10 و به آرامی در حدود کاهش می یابد
3000 درخواست در دقیقه ظهر. پس از آن ، ساعت اوج دوم وجود دارد
20 با حدود 5،800 درخواست در هر دقیقه که تا نیمه شب کاهش می یابد.
4
http://sf.net/projects/ibatisjpetstore/ ، آخرین بازدید 2012-06-29.

صفحه 6
بهبود Cloud Simulator CloudSim
205
میانگین استفاده از پردازنده
زمان آزمایش [ساعت روز: دقیقه]
01 00:00 01 04:00 01 08:00 01 12:00 01 16:00 01 20:00 02 00:00
0
102030405060708090
100
میانگین استفاده CPU از تمام گره های اختصاص یافته [٪]
012345678
تعداد گره های اختصاص داده شده
متوسط ​​استفاده از پردازنده
تعداد گره های اختصاص داده شده
(الف) اندازه گیری CPU اندازه گیری شده
میانگین استفاده از پردازنده
زمان آزمایش [ساعت روز: دقیقه]
01 00:00 01 04:00 01 08:00 01 12:00 01 16:00 01 20:00 02 00:00
0
102030405060708090
100
میانگین استفاده CPU از تمام گره های اختصاص یافته [٪]
012345678
تعداد گره های اختصاص داده شده
متوسط ​​استفاده از پردازنده
تعداد گره های اختصاص داده شده
(ب) استفاده از پردازنده شبیه سازی شده
شکل 1. متوسط ​​مصرف CPU از گره های اختصاص داده شده
شبیه سازی بر اساس حجم کار از یک اجرا که انجام شده است صورت می گیرد
در آمازون EC2 با نمونه های m1.small انجام شده است . انطباق
استراتژی استفاده 90٪ از CPU برای شروع نمونه جدید و 10٪ CPU است
استفاده برای خاتمه یک نمونه در حال اجرا. اجرا با یک نمونه شروع می شود ،
که خاتمه نمی یابد
نتایج. شکل 1 میانگین استفاده CPU از گره های اختصاص داده شده را نشان می دهد. که در
شکل 1 (a ) ، اندازه گیری میزان استفاده از CPU در Amazon EC2 و در شکل 1 (b)
استفاده از پردازنده شبیه سازی شده توسط CDOSim ارائه شده است. با گذشت زمان ، به عنوان مثال
شمارش در شبیه سازی و اجرای انجام شده تقریباً برابر است. پردازنده
بهره وری نیز تقریباً برابر با همان ابتدا و ساعت 6 برابر است. در این زمان
دوره ، استفاده از پردازنده شبیه سازی شده با جبران حدود 10٪ متفاوت است.
خطای نسبی استفاده CPU RE 30 = 30 است 64٪ میانگین
اختلاف در هر دقیقه استفاده از CPU 12.04٪ است. خطای نسبی در
شمارش موضع RE IC = 1 است 32٪ تفاوت کلی دقایق مثال
28 دقیقه نمونه هزینه های متحمل شده برای 6.745 $ می باشد
Amazon EC2 اجرا شود. هزینه های شبیه سازی 7.125 $ حاصل می شود که هزینه های RE = است
63٪ خطای نسبی برای زمان پاسخ ، RE RT = 37 است 57٪ av-
تفاوت erage در هر دقیقه 120.29 میلی ثانیه است. خطای نسبی کلی برای
این سناریو در کل = 18 است 79٪
بحث در مورد نتایج. خطای نسبی برای استفاده از CPU 30.64٪ است
که بیشتر آنها را به تفاوت های ساعت 1 تا ساعت 6 نسبت می دهیم
احتمالاً ناشی از تغییرات عملکرد نمونه های m1.small است
Amazon EC2 [3] خطای نسبی 1.32٪ برای تعداد نمونه نشان می دهد
تعداد مواردی که در اجرا انجام شده می تواند باشد
به اندازه کافی خوب تولید مثل. خطای نسبی 5.63٪ برای هزینه ها نیز است
کم و نشان می دهد که تولید مثل مربوطه به اندازه کافی دقیق است.
خطای نسبی برای زمان پاسخ 37.57٪ است. ما این نسبتاً بالا را نسبت می دهیم
ارزش به زمان پاسخ بالا است که در ساعت 20 شبیه سازی شدند [ 3] . در کل
خطای نسبی 18.79٪ زیر آستانه 30٪ ما است و بنابراین نتیجه می گیریم
شبیه سازی به اندازه کافی خوب عمل اجرا در کل.

صفحه 7
206
F. Fittkau ، S. Frey و W. Hasselbring
تهدید به اعتبار. عملکرد نمونه ها می تواند با مکان متفاوت باشد
جایی که نمونه های VM در یک ابر عمومی تخم ریزی می شوند. عملکرد می تواند
همچنین تحت تأثیر شدت بار کاری است که ممکن است در طول تغییر کرده باشد
اجرای روی میزبان اجرا ما نمی توانیم این عوامل را کنترل کنیم و بنابراین ، آنها
ماندن به عنوان تهدیدی برای اعتبار.
5 کار مرتبط
GroudSim ابزاری برای شبیه سازی محیط های ابر است. توسط توسعه داده شده است
اوسترمن و همکاران. [ 10 ] و از شبیه سازی ابرها و شبکه ها پشتیبانی می کند.
معادل Cloudlets در CloudSim دارای GroudJobs در GroudSim هستند. عدم موفقیت
اجزای مختلف را می توان در GroudSim تعریف کرد. آنها سپس تولید می شوند
یک بازه مشخص برای یک منبع خاص ثبت شده. برخلاف CloudSim ،
GroudSim در حال توسعه فعال نیست.
یکی دیگر از شبیه سازهای ابری MDCSim است [7]. مخصوصاً برای عمق طراحی شده است
تجزیه و تحلیل مراکز داده چند لایه و می تواند میزان توان ، پاسخ را تخمین بزند
بار ، و مصرف برق. برخلاف CloudSim ، شبیه سازی آن پیکربندی شده است –
به سه لایه ، یعنی یک لایه ارتباطی ، لایه هسته و سطح کاربر تقسیم می شود
لایه ای برای مدل سازی جنبه های مختلف یک ابر.
GreenCloud [6 ] ، که یک برنامه افزودنی برای شبیه ساز شبکه Ns2 است ، را فعال می کند
شبیه سازی مراکز داده محاسبات ابری آگاهی از انرژی. برای این طراحی شده است
شبیه سازی مصرف انرژی دقیق از اجزای مرکز داده مانند
سرورها ، سوئیچ ها و پیوندها و الگوهای ارتباطی در سطح بسته ها. در
برعکس ، CDOSim بر روی چشم انداز کاربر ابر متمرکز شده است که غالباً هیچ ندارد
دانش در مورد اجزای داخلی یک مرکز داده.
Nu˜nez و همکاران. [ 9] برای مدل سازی سکوی شبیه سازی iCanCloud را ایجاد کرد
و شبیه سازی معماری های رایانش ابری. این مبتنی بر simula SIMCAN است-
چارچوب روابط و پیش بینی می تواند مبادلات بین هزینه ها و عملکرد را پیش بینی کند
یک برنامه خاص در یک محیط خاص و تنظیمات ابری. سابق-
سیستم های نرم افزاری isting تنها با iCanCloud می توانند به صورت دستی مدل شوند ، در حالی که
CDOSim از مدلهای KDM استفاده می کند که غالباً بطور خودکار استخراج می شوند.
6 نتیجه گیری و کارهای آینده
طیف گسترده ای از گزینه های مختلف استقرار ابری (CDO) باید ارزیابی شود
توسط یک کاربر ابر در هنگام انتقال ابر. CDO اساسی عبارتند از انتخاب a
ارائه دهنده ابر ، انواع نمونه مناسب VM و استراتژی های سازگاری در زمان اجرا ،
برای مثال. با توجه به قابلیت نفوذپذیری تست دستی کلیه CDO ها ، بهترین نسبت است
با کارایی شبیه سازهایی مانند کارایی بالا و هزینه کم می توان یافت
CloudSim CloudSim ابزاری بسیار مفید برای شبیه سازی محیط های ابری است.
این دیدگاه ارائه دهنده ابر را دنبال می کند اما فاقد پشتیبانی از کاربر ابر است
مشاهده ، که امکان شبیه سازی CDO را محدود می کند.
بنابراین ، این مقاله پیشرفتهای ما را به CloudSim ارائه می دهد
چشم انداز کاربر ابر برای شبیه سازی CDO با ابزار توسعه یافته ما به نام
CDOSim. ما یک مطالعه موردی ارائه دادیم که از ارائه دهنده ابر عمومی استفاده می کند

صفحه 8
بهبود Cloud Simulator CloudSim
207
Amazon EC2. این نشان داد که نتایج شبیه سازی تولید شده توسط
شرکت پیشرفتهای CloudSim ما به طور منطقی نزدیک به انجام شده هستند
با توجه به جمع آوری هزینه ها و عملکرد در Amazon EC2.
بیشتر کارهای آینده در سازگاری بیشتر با CloudSim نهفته است. برای فعال کردن کارآمد
پشتیبانی بهینه سازی CDO خودکار را که نیاز به شبیه سازی های زیادی دارد ،
CloudSim باید برای پشتیبانی از شبیه سازی موازی گسترش یابد.
منابع
[1] Armbrust، M.، Fox، A.، Griffith، R.، Joseph، AD، Katz، RH، Konwinski، A.،
لی ، G. ، پترسون ، DA ، Rabkin ، A. ، Stoica، I.، Zaharia، M: بالاتر از ابرها:
نمای برکلی از رایانش ابری. فنی تکرار UCB / EECS-2009-28 ، EECS
گروه ، دانشگاه کالیفرنیا ، برکلی (فوریه 2009)
[2] Calheiros، RN، Ranjan، R.، Beloglazov، A.، De Rose، CAF، Buyya، R .:
CloudSim: ابزاری برای مدل سازی و شبیه سازی محیط محاسبات ابری-
بیان و ارزیابی الگوریتم های تأمین منابع. نرم افزار: تمرین و
تجربه 41 ، 23-50 (2011)
[3] Fittkau ، F: شبیه سازی گزینه های استقرار ابر برای پشتیبانی از مهاجرت نرم افزار-
بندر. پایان نامه کارشناسی ارشد ، گروه مهندسی نرم افزار ، دانشگاه کیل ، کیل ، گر-
بسیاری (مارس 2012)
[4] Frey، S.، Hasselbring، W.، Schnoor، B: بررسی خودکار سازگاری برای
مهاجرت سیستمهای نرم افزاری به زیرساختها و بسترهای ابری. ژور-
nal of Maintenance and Evolution: Research and Practice (2012) ،
doi: 10.1002 / smr.582
[5] Grundy، J.، Kaefer، G.، Keong، J.، Liu، A: مقدمه ویراستاران مهمان: نرم افزار
مهندسی برای ابر. نرم افزار IEEE 29 ، 26-29 (2012)
[6] Kliazovich، D.، Bouvry، P.، Khan، S: GreenCloud: یک شبیه ساز سطح بسته
مراکز داده محاسبات ابری آگاهی از انرژی. مجله ابر رایانه ،
1–21 (2010) ، doi: 10.1007 / s11227-010-0504-1
[7] Lim، SH، Sharma، B.، Nam، G.، Kim، EK، Das، C: MDCSim: چند لایه
شبیه سازی مرکز داده ، پلت فرم. در: کنفرانس بین المللی IEEE در مورد خوشه
محاسبات و کارگاههای آموزشی 2009 ، صص 1-9 (آگوست 2009)
[8] Menasce، DA، Almeida، VAF: برنامه ریزی ظرفیت برای خدمات وب: اندازه گیری ها ،
مدل ها و روش ها Prentice Hall International (سپتامبر 2001)
[9] Nu˜nez، A.، Vázquez-Poletti، JL، Caminero، AC، Carretero، J.، Llorente، IM:
طراحی یک بستر شبیه سازی محاسبات ابری جدید. در: مورگانته ، ب. ، گر-
vasi، O.، Iglesias، A.، Taniar، D.، Apduhan، BO (eds.) ICCSA 2011 ، قسمت سوم.
LNCS ، جلد. 6784 ، صص 582-593. اسپرینگر ، هایدلبرگ (2011)
[10] Ostermann، S.، Plankensteiner، K.، Prodan، R.، Fahringer، T: GroudSim: An
چارچوب شبیه سازی مبتنی بر رویداد برای شبکه ها و ابرهای محاسباتی. که در:
Guarracino، MR، Vivien، F.، Träff، JL، Cannatoro، M.، Danelutto، M.، Hast،
A. ، Perla، F.، Knüpfer، A.، Di Martino، B.، Alexander، M. (eds.) Euro-Par- 2010
کارگاه LNCS ، جلد. 6586 ، صص 305-313. اسپرینگر ، هایدلبرگ (2011)

 

نوشتن دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

نوزده − 14 =