عنوان الإطروحه |
Multi-Objective Task Scheduling Optimization in Cloud Computing
|
تاريخ مناقشة الاطروحه |
2022-01-20 |
اسم الطالب |
حسام سامح فرحان مشاقبه
|
المشرف |
اسماعيل محمد علي عبابنه |
|
المشرف المشارك |
سعد عقله محمود بني محمد
|
اعضاء لجنة المناقشة |
| عمر علي عوده شطناوي |
| شادي الجوارنة |
|
الكلية |
كلية الامير الحسين بن عبدالله لتكنولوجيا المعلومات |
القسم |
علم الحاسوب |
الملخص بالعربية |
في السنوات الأخيرة، اكتسبت بيئة الحوسبة السحابية شعبية كبيرة وسمعة طيبة بين الشركات والأفراد، فهي توفر خدمات حوسبة قوية بتكلفة منخفضة مقارنة بالبيئة التقليدية، ويتم تقديم وتوفير هذه الخدمات من خلال الإنترنت عند الطلب باستعمال نموذج الدفع لكل استخدام. إن إحدى القضايا الرئيسية في نظام السحابية هي مشكلة جدولة المهام، والتي لها تأثير مباشر على أداء النظام السحابي ورضا المستهلك السحابي. تتضمن الحوسبة السحابية نوعين أساسيين من الكيانات هما مزود الخدمة ومستهلك الخدمة. يرغب مستخدمو السحابة في الحصول على الخدمات السحابية بأقل التكاليف المادية وتنفيذ تطبيقاتهم في اقل وقت ممكن، بينما يهتم مقدمو الخدمات السحابية بالاستخدام الفعال لمواردهم ويحتاجون أيضًا لزيادة رضا المستخدمين وذلك من اجل زيادة أرباحهم. نتيجة لذلك، لكل كيان أهداف متنوعة وأحيانًا متضاربة مع بعضها البعض. ولذلك يجب أخذ هذه الأهداف في الاعتبار عند الجدولة لتحقيق الرضا لجميع الأطراف.
وبالتالي، يعد التحسين متعدد الأهداف امراً ضروريًا للعثور على أفضل حلول تأخذ بعين الاعتبار المقايضة بين الأهداف. وتتمتع الخوارزميات التطورية متعددة الأهداف (MOEAs) بمزايا أفضل مقارنة بالطرق الأخرى للتعامل مع الأهداف المتضاربة والمتنوعة، حيث تم تطبيقها بنجاح كبير لمعالجة مشاكل التحسين متعددة الأهداف في العديد من المجالات المختلفة.
تركز هذه الأطروحة على إرضاء كل من مستخدمي السحابة ومقدمي الخدمات السحابية من خلال النظر إلى ثلاثة أهداف مختلفة في وقت واحد: الهدف الأول هو تقليل وقت التنفيذ، والهدف الثاني هو تقليل التكلفة، والهدف الثالث هو تعظيم استخدام الموارد. حيث استخدام الخوارزمية المحسنة (NSGA-II-FDB)، لتحسين جميع الأهداف في نفس الوقت أثناء جدولة المهام السحابية. تم في هذه الاطروحة تطوير خوارزمية (NSGA-II) باستخدام طريقة الاختيار (FDB) لزيادة التنوع السكاني وتعزيز عملية البحث. وتم تقييم الأداء بناءً على مجموعة بيانات حقيقية (GoCJ). تمت مقارنة الخوارزمية المقترحة مع خوارزمية (NSGA-II) الأصلية من حيث الحجم والتكلفة واستخدام الموارد، وتظهر النتائج التجريبية أن الخوارزمية المقترحة تتفوق على الخوارزمية الأصلية من حيث الحجم والتكلفة واستخدام الموارد، بمتوسط تحسين بلغ نسبة 10.3? و4.5? و11.5? على التوالي.
|
الملخص بالانجليزي |
In recent years, the cloud computing environment has gained increasing popularity and a good reputation amongst enterprises and individuals. It provides powerful computing services at a low cost as compared with the on-premises environment. These services are provided through the internet on-demand in a pay-per-use model. One of the major issues in cloud computing is the task scheduling problem, which has a direct impact on the performance of the cloud system and consumer satisfaction. Cloud Computing (CC) revolves around mainly three types of entities: services, cloud service providers and consumers. The consumers wish to receive cloud services at the lowest cost possible and execute their applications in a short time, whereas providers are interested in the efficient utilization of resources and in increased user satisfaction to maximize their profit. As a result, each entity has diverse and sometimes conflicting objectives with each other. These objectives should be taken into account while scheduling to achieve the satisfaction of all parties.
Therefore, multi-objective optimization (MOO) is essential to find the best trade-off solutions between the objectives. The multi-objective evolutionary algorithms (MOEAs) have advantages over other methods in dealing with conflicting and varying objectives. They've been used to address MOO problems in many various fields with great success.
This thesis focuses on satisfaction for both cloud users and cloud providers by considering three objectives simultaneously: the first is to decrease the makespan time; the second is to reduce cost; the third is to improve resource utilization, where developed "NSGA-II-FDB" algorithm was employed to optimize all objectives simultaneously while cloud task scheduling. The "NSGA-II-FDB" algorithm incorporates the fitness-distance balance (FDB) selection method into the Non-Dominated Sorting Genetic Algorithm-II? (NSGA-II) algorithm to increase population diversity and enhance the search process. Experiments have been conducted/simulated using MATLAB R2020b software and the performance has been evaluated based on a real dataset (GoCJ). The presented "NSGA-II-FDB" algorithm was compared to the original NSGA-II algorithm, and it outperformed in terms of makespan time, cost, and average resource utilization, with an average improvement of 10.3%, 4.5%, and 11.5%, respectively
|
رقم ISN |
7038 |
|
للحصول على الرسالة كملف يرجى تزويد المكتبة برقم ISN
|
|