شبیه سازی یادگیری تقویتی در کلودسیم

بدون ديدگاه

 

روشی مبتنی بر کاهش انرژی در محیط ابری ارایه کرده اند. انها در کار خود از مراکز داده استفاده کرده اند. در حالی که مراکز بزرگ داده از مقیاس اقتصادی برخوردار هستند دارای مصرف انرژی بسیار بالایی می باشند. و آنها همچنین از نظر هزینه های انرژی زیادی متحمل می شوند. از طزف دیگر برای خنک کردن دیتاسنتر ها از توزیع برق و سیستم سرمایشی استفاده می شود. نویسندگان برای مشکل مصرف انرزی یک راه حل نظری کنترلی ارائه کرده اند. آنها برای به حداقل رساندن هزینه انرژی کل از یک کنترل بهینه Model Control Predictive Control (MPC) استفاده کرده اند.

 

برای کاهش مصرف انرژی در شبکه های ابری از روش یادگیری سرور توسط ParameterTuning به صورت هماهنگ و کنترل شده استفاده کرده اند.  تنظیم خودکار پارامترهای سرور برای عملکرد و در دسترس بودن برنامه های اینترنتی که در محیط ابری میزبانی می شوند بسیار مهم است. از معایب این کار بدلیل شلوغی حجم کار در سرور برای پردازش داده ها انرژی زیادی مصرف می شود. نویسندگان تنظیم پارامترهای سرور به صورت خودکار برای به حداکثر رساندن توان عملی برنامه های اینترنتی چند لایه را بررسی کرده اند. آنها با استفاده از یادگیری تقویت که یک فرآیند تصمیم گیری است تنظیم پارامترهای بهینه را بر اساس آزمایش و خطا تعیین می کند. آنها با یک رویکرد مبتنی بر کنترل فازی عصبی برای پیدا کردن پارامتر های بهینه استفاده کرده اند. آنها روش خود را در بستر مرکز داده مجازی انجام داده اند.

 

از یک الگوریتم برنامه ریزی برای محاسبات Cloud با ضریب اطمینان بالا ارایه کرده اند. روش آنها یک ابزار مناسب برای یادگیری در شبکه ابر با شرایط حال (شرایطی که شبکه در حال کار کردن) و تخمینی از آینده استفاده می شود. مشکل اصلی آنها بهره وی مناسب منابع در شبکه ابر می باشد. در شرایط بحرانی چالش هایی برای مصرف انرژی به ویژه در شرایط بیش از حد بارگذاری وجود دارد. آنها روشی مبنی بر یادگیری تقویتی ارایه کرده اند تا برنامه ریزی مناسب را ارایه کند و در عین حال حداکثر بهره وری در زمان طولانی حاصل گردد.

مدیریت انرژی شبکه ابر را با استفاده از برنامه ریزی مبتنی بر یادگیری تقویتی در سیستم های توزیع شده مقیاس بزرگ بررسی کرده اند. یکی از مشکلات مهم در سیستم های توزیع شده در مقیاس بزرگ مصرف انرژی می باشد که بدلیل پردازش محاسباتی مراکز داده تشکیل می شود.  علاوه بر مصرف انرژی پردازشی انرژی دیگری برای خنک کردن انها صرف می شود.نویسندگان در این مقاله یک الگوریتم برنامه ریزی پویا با یادگیری تقویت برای عملکرد خوب و بهره وری انرژی ارائه کردند. از مزایای روش آنها برنامه ریزی سازگار شده با محیط ابر می باشد. فرایند یادگیری الگوریتم برنامه ریزی ما ارتباطی بین بهترین عمل (برنامه) و وضعیت فعلی محیط (سیستم موازی) ایجاد می کند. همچنین برای کمک به فرایند تصمیم گیری الگوریتم خود ، تکنیک گروه بندی ارایه شده است. تکنیک آنها کارا بوده و انرژی مصرفی کل را تا میزان قابل توجه ای کاهش داده است.

 

یک رویکرد یادگیری تقویتی برای تأمین منابع پویا در مراکز داده مجازی ابر ارایه کرده اند.  رویکرد کنترل تطبیقی ​​جدید ارائه شده است که مبتنی بر یادگیری تقویت مرحله ای است،  تأمین منابع پویا را در هنگام مقابله با عدم اطمینان در محیط ابر ارائه می دهد. ارائه دهنده منابع پویا پیشنهادی كنترل كننده هدفی است كه توانایی كنترل عدم اطمینان به طور خاص در بازارهای نقطه Cloud را فراهم می كند كه در آن رقابت بین ارائه دهندگان Cloud نیاز به سیاست های بهینه برای جذب و حفظ مشتری دارد. این کنترلر با هدف جلوگیری از عدم پذیرش تسک (به عنوان هدف اصلی) و به حداقل رساندن مصرف انرژی (به عنوان هدف ثانویه) انجام می شود.

 

[1]       Q. Zhang, M. F. Zhani, S. Zhang, Q. Zhu, R. Boutaba, and J. L. Hellerstein, “Dynamic Energy-aware Capacity Provisioning for Cloud Computing Environments,” in Proceedings of the 9th International Conference on Autonomic Computing, 2012, pp. 145–154.

[2]       Y. Guo, P. Lama, C. Jiang, and X. Zhou, “Automated and Agile Server ParameterTuning by Coordinated Learning and Control,” IEEE Trans. Parallel Distrib. Syst., vol. 25, no. 4, pp. 876–886, 2014.

[3]       B. Yang, X. Xu, F. Tan, and D. H. Park, “An utility-based job scheduling algorithm for Cloud computing considering reliability factor,” in 2011 International Conference on Cloud and Service Computing, 2011, pp. 95–102.

[4]       M. Hussin, Y. C. Lee, and A. Y. Zomaya, “Efficient Energy Management Using Adaptive Reinforcement Learning-Based Scheduling in Large-Scale Distributed Systems,” in 2011 International Conference on Parallel Processing, 2011, pp. 385–393.

[5]       F. Bahrpeyma, H. Haghighi, and A. Zakerolhosseini, “An adaptive RL based approach for dynamic resource provisioning in Cloud virtualized data centers,” Computing, vol. 97, no. 12, pp. 1209–1234, 2015.

نوشتن دیدگاه

نشانی ایمیل شما منتشر نخواهد شد.

17 + 10 =