《Engineering Applications of Artificial Intelligence》:Enhancing load balancing and fault tolerance in cloud computing using an exception convolutional pyramid harmonic network
编辑推荐:
摘要在当今分布式计算环境中,确保高可用性、可扩展性和可靠性至关重要。容错和负载均衡是实现这些目标的两种基本方法。传统的模型,如K-Means,面临着维护成本较高、灵活性低和缺乏冗余等挑战。为了克服这些挑战,本研究开发了异常卷积金字塔谐波网络(XCov-PHNet),用于高效的
摘要
在当今分布式计算环境中,确保高可用性、可扩展性和可靠性至关重要。容错和负载均衡是实现这些目标的两种基本方法。传统的模型,如K-Means,面临着维护成本较高、灵活性低和缺乏冗余等挑战。为了克服这些挑战,本研究开发了异常卷积金字塔谐波网络(XCov-PHNet),用于高效的负载均衡和容错。任务基于轮询调度方法在数据中心中的虚拟机(VMs)之间进行分配。然后,利用带宽、中央处理器(CPU)、内存和频率标度等资源参数,通过基于Fisher中位朴素分片的K-Means(FMNS-K-Means)对VMs进行分类。XCov-PHNet开发为Xception卷积网络(XCovNet)和金字塔网络(PyramidNet)的融合,并结合谐波分析进行负载均衡。在此,负载均衡基于负载参数和任务参数进行。在任务大小为2000时,XCov-PHNet的成功率为96.454%,执行时间为3.866秒(sec),负载为0.056,资源利用率为97.455%,不平衡度为0.136,负载公平性为90.168%,SLA违反率为3.546%,吞吐量为190.044任务/秒,完成时间为10.524秒,迁移开销为5.449%,响应时间为179.766毫秒,能耗为76.932千瓦时,分别为。
引言
云计算技术由于互联网的快速通信演变而被广泛使用。在云计算中,用户通过互联网访问硬件应用程序和软件应用程序。在云计算中,有三种主要服务模型,即软件即服务(SaaS),提供即用型应用程序;平台即服务(PaaS),为开发者构建和部署应用程序提供框架;以及基础设施即服务(IaaS),按需交付可扩展的计算基础设施。云计算模型基于互连网络服务器开发,这些服务器由具有不同计算能力的各种商用硬件组成(Metri等,2012年)(Laghari等,2021年)(Xu和Lu,2023年)。使用云计算模型开发的一些应用程序包括数据存储、数据分析和物联网(IoT)解决方案(Gubbi等,2018年)(Mushtaq等,2024年)。由于新兴云计算技术,云计算应用直接为企业提供服务,用于传输和分发其文档。在基础设施领域,云服务提供商(CSPs)发挥着主要作用,管理基础设施,包括服务器维护和数据中心运营。云计算技术由于不规则的计算发展和电信扩展而在互联网上开始演进。此外,消费者更喜欢直接访问按需服务,因此他们对数据中心高度依赖。然而,由于计算需求增加,能耗也随之增加,导致更多的电力消耗问题。为了解决这个问题,采用负载均衡和调度技术来优化资源利用率并确保高效的资源使用(Menaka和Kumar,2024年)。
负载均衡是云计算中的一种现代技术,在资源使用和整体系统效率方面非常有益(Menaka和Kumar,2024年)。负载均衡在客户满意度和CSPs的财务目标之间保持平衡(Sriram,2022年)(Kaviarasan等,2023年)。此外,负载均衡技术应用于物理服务器之间或VMs之间。主要负载均衡技术平衡并均匀分配工作负载。负载均衡技术分为两种类型,即静态和动态(Zhanuzak等,2024年)。静态负载均衡适用于资源容量一致的同构环境,而动态负载均衡由于其适应性在同构和异构环境中都有效(Sharma和Sharma)(Kaviarasan等,2023年)。云计算通过使用虚拟化、容错、调度和负载均衡技术在分布式环境中共享可访问资源,确保稳健的服务交付(Kalaskar,2024年)(Mukwevho和Celik,2018年)(Kumar和Kumar,2019年)。容错通过两种方法实现:主动和被动。主动方法在故障发生前预测并防止故障,而被动方法在故障发生后响应故障。被动容错通常使用VM替换算法来管理过载主机,这导致数据中心中的跨迁移时间增加。相比之下,自适应容错根据实时网络条件在主动和被动策略之间动态转换(Hasan和Goraya,2019年)(Kalaskar,2024年)。这种自适应方法根据工作负载波动自动分配资源,增强系统韧性和性能。
VM迁移是负载均衡中的重要方法,用于实现高效的任务分配、服务器合并和服务不中断的系统保存。此外,在各种迁移策略中,实时VM迁移在动态重新分配工作负载方面更为突出,其中VMs将工作负载从过载的PMs转移到可用资源。当PM面临资源短缺时,此过程至关重要,需要迁移任务或VM以确保最佳性能和资源利用率(Kalaskar,2024年)。随着云计算在组织中的增长(Sajjan和Yashwantrao,2017年),有效管理VM迁移对于优化资源使用、最小化能耗和维护高安全标准变得至关重要(Devi等,2023年)。尽管VM迁移有其优势,但它也带来了重大挑战,如确保负载均衡分布、实现能效以及在迁移过程中保持强大的安全性(Brahmam和Anand,2024年)。为了应对这些复杂性,深度学习(DL)模型被用于预测和改进云环境中的负载均衡效果。深度学习(DL)技术,如K-Means聚类和模糊逻辑,被用于量化VMs和PMs之间的亲和力,从而在动态云环境的不确定性中促进最佳迁移决策。此外,机器学习(ML)模型,包括长短期记忆(LSTM)网络和基于图的神经网络,被用于精确的工作负载预测和智能决策。通过分析资源需求,DL模型增强迁移过程,实现更高效且基于数据的资源分配。
本研究的主要目的是设计一个超级有益的模型,利用Xcov-PHNet增强负载均衡。现有的混合方法通常将多个网络的特征进行级联或顺序组合,而没有明确捕获任务特征和动态变化的VM资源条件之间的跨区间关系。为了弥补这一差距,本研究提出了XCov-PHNet,用于任务和资源感知的负载均衡。XCov-PHNet的新颖性不在于单独使用XCovNet、PyramidNet或谐波分析,而在于所提出的跨区间谐波特征集成机制。具体来说,XCovNet从上一个调度区间提取任务相关特征,而PyramidNet从当前调度区间提取VM资源相关特征。这些互补表示通过谐波集成而非直接级联,从而捕获工作负载变化和资源关系用于负载均衡决策。
本研究的主要贡献如下:
- •
资源感知VM分类:FMNS-K-Means根据CPU、内存、带宽和频率标度参数对VMs进行分类。
- •
跨区间特征提取:XCovNet和PyramidNet从不同调度区间提取互补的任务和资源表示。
- •
谐波特征集成:基于谐波分析的机制将任务和资源表示集成为统一的负载均衡表示。
- •
任务和资源感知的负载均衡:所提出的框架同时考虑任务和VM资源特性,以提高资源利用率、公平性和工作负载平衡。
本文的结构如下:第2节回顾了相关工作,第3节描述了系统模型。第4节概述了XCov-PHNet,第5节展示了实验设置和仿真结果。第6节总结全文并提出未来研究方向。
章节摘要
问题陈述与动机
云计算环境由于动态工作负载、异构虚拟机资源和快速变化的任务需求,在实现高效负载均衡方面面临重大挑战。传统的聚类方法如K-Means在适应动态资源变化方面存在局限,导致虚拟机利用率低效和调度次优。此外,许多现有的混合方法依赖于简单的特征融合策略,这可能导致
云系统模型
云负载均衡的系统模型(Kaviarasan等,2023年)如图1所示。最初,云用户向云发起请求以访问其文档。负载均衡器用于分配任务并管理来自用户的传入请求。然后,VM管理器在云环境中管理VMs方面发挥着核心作用。VM管理器分配和分发任务给VMs以减少VMs之间的拥塞。假设一个云模型,该
用于高效负载均衡和容错的异常卷积金字塔谐波网络
本研究的首要目标是开发一个高效的模型,命名为XCov-PHNet,以增强负载均衡。在初始阶段,任务使用轮询方法分配给VMs。然后,利用FMNS-K-Means(Rhesa和Revathi,2024年)算法根据内存消耗、频率标度容量、CPU使用率、网络带宽和处理元素数量将VMs分类为两组:过载VM和欠载VM。FMNS-K-Means执行资源感知的VM
结果与讨论
XCov-PHNet的结果和比较分析在以下章节中讨论。
结论
本文提出了XCov-PHNet,一种创新的混合深度学习模型,用于解决云计算环境中的负载均衡挑战。该过程从使用轮询调度策略在VMs之间分配任务开始。随后,使用FMNS-K-Means算法将VMs分类为过载或欠载,该算法评估关键指标,如CPU使用率、内存消耗、带宽、频率标度因子和处理元素数量。为了增强
CRediT作者贡献声明
Vairamuthu S:撰写—原稿、可视化、验证、软件、方法学、调查、形式化分析、数据管理、概念化、项目管理、资源、撰写—审阅与编辑。Selva Rani B:验证、概念化、方法学、软件、形式化分析、调查。Suresh Subramanian:数据管理、资源、撰写—原稿、撰写—审阅与编辑、项目管理。
利益冲突声明
作者声明,他们不存在已知的竞争性经济利益或个人关系,这些关系可能影响本文所报告的工作。
Vairamuthu S|Selva Rani B|Suresh Subramanian