زمان‌بندی آینده‌نگرانه وظایف در محاسبات ابری مبتنی بر یادگیری تقویتی

Abstract

با پیدایش رایانش ابری، کاربران منابع محاسباتی را بر اساس قانون پرداخت در ازای استفاده از ارائه‌دهندگان سرویس ابری دریافت می‌کنند. با توجه به محدودیت و پویایی منابع ابری برای اجرای درخواست‌های متنوع و متغیر با زمان کاربران، نیازمند یک مکانیزم زمان‌بندی مؤثر هستیم که خود را با شرایط پویای سیستم وفق داده و بهره‌وری منابع و رضایت کاربران را در بلندمدت تأمین نماید. الگوریتم‌های زمان‌بندی موجود تلاش می‌کنند با توجه به وضعیت فعلی سیستم، زمان‌بندی بهینه را بیابند که با توجه به پویایی درخواست‌های کاربران و عدم درک صحیح زمان‌بند از محیط لزوماً منجر به دستیابی به نتیجه بهینه در بلند مدت نمی‌گردند و غالباً این الگوریتم‌ها توانسته‌اند تنها یکی از پارامترهای کیفیت سرویس را بهبود ببخشند. در ابن مقاله یک روش زمان‌بندی مبتنی بر روش یادگیری تقویتی پیشنهاد می‌شود که به دلیل قابلیت تطبیق با محیط و ارائه پاسخ مناسب به درخواست‌های متغیر با زمان، با تخصیص آینده‌نگرانه وظایف به منابع منجر به افزایش کارایی سیستم در بلندمدت می‌گردد. نتایج این مقاله نشان می‌دهد که روش پیشنهادی نه تنها منجر به کاهش زمان پاسخ، زمان انتظار و زمان تکمیل کار می‌گردد بلکه نرخ بهره‌وری منابع را هم به عنوان هدف فرعی افزایش می‌دهد. روش پیشنهادی در محدوده تعداد وظایف بالا، زمان پاسخ را به طور میانگین حدود 52/49 درصد نسبت به Random، 03/46 نسبت به Mix، 99/43 نسبت به FIFO، 53/43 نسبت به Greedy و 68/38 درصد نسبت به Q-sch بهبود ببخشیده است.