Architecture of a distributed software and hardware complex resource scheduler of infocommunication system of  cloud data center

Cover Page

Cite item

Full Text

Abstract

With the development of cloud technologies, the development of methods and algorithms for a resource scheduler for cloud data centers is an urgent task, as evidenced by the continuous flow of works devoted to this topic. The criteria for the best allocation of resources can be different, such as energy efficiency, fulfillment of service level agreements, reliability and others. Based on the analyzed works, models, methods and algorithms for resource distribution were selected and developed, the complex of which forms the basis of the distributed resource scheduler architecture proposed in this article for an infocommunication system of a cloud data center based on multi-criteria optimization of its characteristics and features of live migration of virtual machines. The effectiveness of the models and methods used has been confirmed by simulation modeling and makes it possible to reduce energy consumption when meeting quality of service indicators.

About the authors

Andrew Vladimirovich Toutov

Moscow Technical University of Communications and Informatics, Moscow, V.A. Trapeznikov Institute of Control Sciences of RAS

Email: andrew_vidnoe@mail.ru
Moscow

Mais Pasha ogly Farhadov

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: mais.farhadov@gmail.com
Moscow

Arsenij Viktorovich Taratukhin

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: avt@ipu.ru
Moscow

Server Seyranovich Kerimov

V.A. Trapeznikov Institute of Control Sciences of RAS

Email: serverdevel@ya.ru
Moscow

References

  1. ВОРОЖЦОВ А.С., ТУТОВА Н.В., ТУТОВ А.В. Динами-ческое распределение вычислительных ресурсов центров обработки данных // T-Comm – Телекоммуникации и транспорт. – 2016. – Т. 10, №.7.
  2. ВОРОЖЦОВ А.С., ТУТОВА Н.В., ТУТОВ А.В. Про-грамма для прогнозирования перегрузки серверов с ис-пользованием комбинаторного метода группового уче-та аргументов на языке программирования Java. – Сви-детельство о регистрации программы для ЭВМ RUS 2018666780 07.12.2018.
  3. ВОРОЖЦОВ А.С., ТУТОВА Н.В., ТУТОВ А.В. Оптими-зация размещения облачных серверов в центрах обра-ботки данных // T-Comm – Телекоммуникации и транс-порт. – 2015. – Т. 9, №6. – С. 4–8.
  4. ИВАХНЕНКО А.Г., СТЕПАШКО В.С. Помехоустойчи-вость моделирования. – Киев: Наукова Думка, 1985. – 216 с.
  5. КРОТОВ В.Ф., ЛАГОША Б.А., ЛОБАНОВ С.М. и др. Ос-новы теории оптимального управления. – М.: Высшая школа, 1990. – 430 с.
  6. ТУТОВ А.В. и др. Многокритериальная оптимизация размещения виртуальных машин по физическим серве-рам в облачных центрах обработки данных // T-Comm – Телекоммуникации и транспорт. – 2021. – Т. 15, №1. – С. 28–34.
  7. ТУТОВ А.В. Модели и методы распределения ресурсов инфокоммуникационной системы облачных центров об-работки данных // Наукоемкие технологии в космиче-ских исследованиях Земли. – 2018. – Т. 10, №6. – С. 100–107.
  8. ХАНТИМИРОВ Р.И. Прогнозирование нагрузки в облач-ной вычислительной среде с использованием нейросетей Элмана, обучаемых системой искусственного иммуни-тета // Нейрокомпьютеры: разработка, применение. – 2015. – №3. – С. 59–64.
  9. ALHARBI F. et al. An ant colony system for energy-efficient dynamic virtual machine placement in data centers // Expert Systems with Applications. – 2019. – Vol. 120. – P. 228–238.
  10. ALHAMMADI A.S.A., VASANTHI V. Multi-objective algo-rithms for virtual machine selection and placement in cloud data center // Int. Congress of Advanced Technology and Engineering (ICOTEN–2021). – IEEE, 2021. – P. 1–7.
  11. BELOGLAZOV A., BUYYA R. Optimal online deterministic algorithms and adaptive heuristics for energy and perfor-mance efficient dynamic consolidation of virtual machines in cloud data centers // Concurrency and Computation: Practice and Experience. – 2012. – Vol. 24, No. 13. – P. 1397–1420.
  12. BELOGLAZOV A., BUYYA R. Managing overloaded hosts for dynamic consolidation of virtual machines in cloud data centers under quality of service constraints // IEEE Trans. on Parallel and Distributed Systems. – 2012. – Vol. 24, No. 7. – P. 1366–1379.
  13. BUYYA R. et al. A manifesto for future generation cloud computing: Research directions for the next decade // ACM computing surveys (CSUR). – 2018. – Vol. 51, No. 5. – P. 1–38.
  14. CALHEIROS R.N. et al. CloudSim: a toolkit for modeling and simulation of cloud computing environments and evalu-ation of resource provisioning algorithms // Software: Prac-tice and experience. – 2011. – Vol. 41, No. 1. – P. 23–50.
  15. CAMATI R.S., CALSAVARA A., LIMA JR L. Solving the virtual machine placement problem as a multiple multidi-mensional knapsack problem // ICN-2014. – 2014. – Vol. 264.
  16. DINESH KUMAR K., UMAMAHESWARI E. An efficient proactive VM consolidation technique with improved LSTM network in a cloud environment // Computing. – 2024. – Vol. 106, No. 1. – P. 1–28.
  17. FARZAI S., SHIRVANI M.H., RABBANI M. Multi-objective communication-aware optimization for virtual machine placement in cloud datacenters // Sustainable Computing: Informatics and Systems. – 2020. – Vol. 28. – P. 100374.
  18. FELLER E., RILLING L., MORIN C. Energy-aware ant col-ony based workload placement in clouds // IEEE/ACM 12th Int. Conf. on Grid Computing – 2011. – IEEE, 2011. – P. 26–33.
  19. FENG H., DENG Y., LI J. A global-energy-aware virtual machine placement strategy for cloud data centers // Journal of Systems Architecture. – 2021. – Vol. 116. – P. 102048.
  20. FERDAUS M.H. et al. Virtual machine consolidation in cloud data centers using ACO metaheuristic // Proc. of the 20th Int. Conf. Euro-Par–2014, Parallel Processing:, Porto, Portugal, August 25–29, 2014. 20. – Springer Int. Publishing, 2014. – P. 306–317.
  21. FERDAUS M.H. et al. An algorithm for network and data-aware placement of multi-tier applications in cloud data centers // Journal of Network and Computer Applications. – 2017. – Vol. 98. – P. 65–83.
  22. GAO Y. et al. A multi-objective ant colony system algorithm for virtual machine placement in cloud computing // Journal of computer and system sciences. – 2013. – Vol. 79, No. 8. – P. 1230–1242.
  23. GILL S.S., BUYYA R. Sustainable cloud computing realiza-tion for different applications: a manifesto // Digital Busi-ness: Business Algorithms, Cloud Computing and Data Engi-neering. – 2019. – P. 95–117.
  24. GULATI A. et al. Vmware distributed resource manage-ment: Design, implementation, and lessons learned // VMware Technical Journal. – 2012. – Vol. 1, No. 1. – P. 45–64.
  25. HUEBSCHER M.C., MCCANN J.A. A survey of autonomic computing—degrees, models, and applications // ACM Computing Surveys (CSUR). – 2008. – Vol. 40, No. 3. – P. 1–28.
  26. KIANI M., KHAYYAMBASHI M.R. A network-aware and power-efficient virtual machine placement scheme in cloud datacenters based on chemical reaction optimization // Computer Networks. – 2021. – Vol. 196. – P. 108270.
  27. KUHN H.W. The Hungarian method for the assignment problem // Naval research logistics quarterly. – 1955. – Vol. 2, No. 1–2. – P. 83–97.
  28. KUSIC D. et al. Power and performance management of vir-tualized computing environments via lookahead control // Cluster computing. – 2009. – Vol. 12. – P. 1–15.
  29. LU J. et al. Optimal machine placement based on improved genetic algorithm in cloud computing // The Journal of Su-percomputing. – 2022. – P. 1–29.
  30. LUO J.Y. et al. A cut-and-solve algorithm for virtual ma-chine consolidation problem // Future Generation Computer Systems. – 2024. – Vol. 154. – P. 359–372.
  31. MOGES F.F., ABEBE S.L. Energy-aware VM placement al-gorithms for the OpenStack Neat consolidation framework // Journal of Cloud Computing. – 2019. – Vol. 8, No. 1. – P. 2.
  32. MURTAZAEV A., OH S. Sercon: Server consolidation al-gorithm using live migration of virtual machines for green computing // IETE Technical Review. – 2011. – Vol. 28, No. 3. – P. 212–231.
  33. RANI K., SANGWAN O.P., GARG R. A critical review on energy efficient Rani scheduling techniques in cloud compu-ting // AIP Conference Proc. – AIP Publishing, 2023. – Vol. 2938, No. 1.
  34. SAXENA D. et al. A secure and multiobjective virtual ma-chine placement framework for cloud data center // IEEE Systems Journal. – 2021. – Vol. 16, No. 2. – P. 3163–3174.
  35. SHAW R., HOWLEY E., BARRETT E. An energy efficient anti-correlated virtual machine placement algorithm using resource usage predictions // Simulation Modelling Practice and Theory. – 2019. – Vol. 93. – P. 322–342.
  36. TOUTOV A.V. et al. Resource Allocation Algorithms for Single, Cluster and Tired Virtual Machines // Intelligent Technologies and Electronic Devices in Vehicle and Road Transport Complex (TIRVED–2023). – IEEE, 2023. – P. 1–4.
  37. TOUTOV A., VOROZHTSOV A., TOUTOVA N. Analytical approach to estimating total migration time of virtual ma-chines with various applications // Int. Journal of Embedded and Real-Time Communication Systems (IJERTCS). – 2020. – Vol. 11, No. 2. – P. 58–75.
  38. VOROZHTSOV A. S., TOUTOVA N.V., TOUTOV A.V. Resource control system stability of mobile data centers // Systems of Signals Generating and Processing in the Field of on Board Communications. – IEEE, 2018. – P. 1–4.
  39. WU Y. et al. Load prediction using hybrid model for compu-tational grid // 8th IEEE/ACM Int. Conf. on Grid Computing. – IEEE, 2007. – P. 235–242.
  40. XU J., FORTES J. A multi-objective approach to virtual ma-chine management in datacenters // Proc. of the 8th ACM Int. Conf. on Autonomic Computing. – 2011. – P. 225–234.
  41. XU J., FORTES J. Multi-objective virtual machine placement in virtualized data center environments // IEEE/ACM Int. Conf. on Green Computing and Communications & Int. Conf. on Cyber, Physical and Social Computing. – IEEE, 2010. – P. 179–188.
  42. YANG Q. et al. A new method based on PSR and EA-GMDH for host load prediction in cloud computing system // The Journal of Supercomputing. – 2014. – Vol. 68. – P. 1402–1417.
  43. ZHANG Q. et al. Dynamic energy-aware capacity provision-ing for cloud computing environments // Proc. of the 9th Int. Conf. on Autonomic computing. – 2012. – P. 145–154.
  44. URL: https://github.com/Cloudslab/cloudsim/tree/master/ modules/cloudsim-examples/src/main/resources/workload/planetlab (дата обращения: 05.05.2024).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download


Creative Commons License
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».