بهبود مصالحه هزینه-کارایی در شبکه‌های تحویل محتوا با استفاده از الگوریتم کلونی زنبورعسل

نویسندگان
حمید قاسمی 1
مهدی جعفری‌سیاوشانی 2
1 دانش آموخته کارشناسی ارشد ،‌مهندسی کامپیوتر ،دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف ، تهران، ایران
2 استادیار،مهندسی کامپیوتر،دانشکده مهندسی کامپیوتر، دانشگاه صنعتی شریف ، تهران، ایران
چکیده
امروزه یکی از راهکارهای اصلی افزایش کارایی سیستم‌های غیرمتمرکز، استفاده از چندین سرویس‌دهنده و پخش بار میان آن‌ها است. با استفاده از این روش، نه تنها میزان کارایی سیستم افزایش می‌یابد، بلکه دسترس‌پذیری سیستم نیز به طور قابل توجهی افزایش خواهد‌یافت. در حال حاضر الگوریتم‌ها و روش‌های زیادی به منظور پیاده‌سازی یک پخش‌کننده بار ارائه شده‌است که هریک بر بخشی از نیازمندی‌ها غلبه کرده‌است. نکته‌ای که در میان روش‌های ارائه شده دور از چشم مانده‌است، هزینه‌ انتقالی است که سیستم (یا کاربر انتهایی) به ازای افزایش کارایی متحمل می‌شود. همانطور که در [1] اشاره شده‌است، همواره مصالحه‌ای میان هزینه و کارایی سیستم وجود دارد. در این مقاله از الگوریتم کلونی زنبور عسل به منظور پخش بار استفاده می‌کنیم. در الگوریتم ارائه شده علاوه بر توزیع بار، پارامتر هزینه نیز در نظر گرفته‌شده و در انتها نشان می‌دهیم که به منظور کاهش هزینه و کارایی به صورت هم‌زمان، استفاده از این الگوریتم نسبت به الگوریتم‌های ارائه شده در [1] نتایج بهتری داشته و هم چنین سربار کنترلی کم‌تری به سیستم تحمیل خواهد‌کرد.

کلیدواژه‌ها

  • [1] M. Jafari Siavoshani, S. P. Shariatpanahi, H. Ghasemi, and A. Pourmiri, “On communication cost vs. load balancing in Content Delivery Networks,” in Computers and Communications (ISCC), pp.651-656, IEEE, 2017.
  • [2] D. Pham, A. Ghanbarzadeh, E. Koc, S. Otri, S. Rahim, and M. Zaidi, “The bees algorithm-A novel tool for complex optimization,” in Intelligent Production Machines and Systems-2nd I* PROMS Virtual International Conference, pp.454-459, 2011.
  • [3] O. Ercetin and L. Tassiulas, “Market-based resource allocation for content delivery in the internet,” IEEE Transactions on Computers, vol.52, no.12, pp.1573-1585, 2003.
  • [4] A.M.K. Pathan and R. Buyya, “A taxonomy and survey of content delivery networks,” Grid Computing and Distributed Systems Laboratory, University of Melbourne, Technical Report, vol.4, 2007.
  • [5] M. Mitzenmacher, “The power of two choices in randomized load balancing,” IEEE Transactions on Parallel and Distributed Systems, vol.12, no.10, pp. 1094-1104, 2001.
  • [6] C.M. Chen, Y. Ling, M. Pang, W. Chen, S. Cai, Y. Suwa, and O. Altintas, “Scalable request routing with next-neighbor load sharing in multi-server environments,” in IEEE Advanced Information Networking and Applications (AINA "05), vol.1, pp.441-446, 2005.
  • [7] K. Grdner, M. Harchol-Balter, A. Scheller-Wolf, M. Velednitsky, and S. Zbarsky, “Redundancy-d: The power of d choices for redundancy,” Operations Research, vol.65, no.4, pp.1078-1094, 2017.
  • [8] S. Manfredi, F. Oliviero, and S. P. Romano, “A distributed control law for load balancing in content delivery networks,” IEEE/ACM Transactions on Networking (TON), vol.21, no.1, pp.55-68, 2013.
  • [9] D. S. Berger, R. K. Sitaraman, and M. Harchol-Balter, “AdaptSize: Orchestrating the Hot Object Memory Cache in a Content Delivery Network,” in 14th {USENIX} Symposium on Networked Systems Design and Implementation (NSDI 17), (Boston MA), pp.483-498, 2017.
  • [10] M. Adler, R. K. Sitaraman, and H. Venkataramani, “Algorithms for optimizing the bandwidth cost of content delivery,” Computer Networks, vol.55, no.18, pp.4007-4020, 2011.
  • [11] Q. Shuai, K. Wang, F. Miao, and L. Jin, “A cost-based distributed algorithm for load balancing in content delivery network,” in IEEE Intelligent Human-Machine Systems and Cybernetics (IHMSC), 19th International Conference, vol.1, pp.11-15, 2017.
  • [12] D. T. Pham and M. Castellani, “Benchmarking and comparison of nature-inspired population-based continuous optimisation algorithms,” Soft Computing, vol.18, no.5, pp.871-903, 2014.
  • [13] H. R. Nasrinpour, A. M. Bavani, and M. Teshnehlab, “Grouped Bees Algorithm: A Grouped Version of the Bees Algorithm,” Computers, vol.6, no.1, p.5, 2017.
  • [14] D. T. Pham, M. Castellani, “The bees algorithm: modelling foraging behaviour to solve continuous optimization problems,” Proceedings of the Institution of Mechanical Engineers, Part C: Journal of Mechanical Engineering Science, vol.223, no.12, pp.2919-2938, 2009.
  • [15] D. B. LD and P. V. Krishna, “Honey bee behavior inspired load balancing of tasks in cloud computing environments,” Applied Soft Computing, vol.13, no.5, pp.2292-2303, 2013.
  • [16] A. Dave, B. Patel, and G. Bhatt, “Load balancing in cloud computing using optimization techniques: A study,” in IEEE Communication and Electronics Systems (ICCES), pp.1-6, 2016.
  • [17] T. Bostoen, J. Napper, S. Mullender, and Y. Berbers, “A simulator to assess energy-saving techniques in content distribution networks,” in Energy-Efficient Data Centers, pp.83-98, Springer, 2014.
  • [18] K. Stamos, G. Pallis, A. Vakali, D. Katsaros, A. Sidiropoulos, and Y. Manolopoulos, “Cdnsim: A simulation tool for content distribution networks,” ACM Transactions on Modeling and Computer Simulation (TOMACS), vol.20, no.2, p.10, 2010.
  • [19] G. F. Riley and T. R. Henderson, “The ns-3 network simulator,” Modeling and tools for network simulation, pp.15-34, 2010.
  • [20] M. Jafari Siavoshani, A. Pourmiri, and S. P. Shariatpanahi, “Storage, Communication, and Load Balancing Trade-off in Distributed Cache Networks,” IEEE Transactions on Parallel and Distributed Systems, vol. 29, no. 4, pp. 943-957, 2017.
علوم رایانش و فناوری اطلاعات
دوره 17، شماره 1
بهار و تابستان
بهار 1398