Русский   English
ДонНТУ   Портал магістрів

Реферат за темою випускної роботи

Зміст

Вступ

Ще зовсім недавно, буквально 20 років тому, частка використання інформаційних технологій в бізнесі становило менше 5-10%. Зараз - практично 100%. Перехід від унікальності до масштабності дозволяє сприймати обчислювальні потужності вже не як окремий комп'ютер-сервер, що стоїть в будівлі організації, а як послугу, яка надається деяким далеким датацентрі. Власне саме тому хмарні обчислення називають новим трендом у розвитку інформаційних технологій.

Саме тому багато компаній починають розуміти важливість і необхідність «відходу в хмару». І саме тому зараз необхідно здійснювати науково-дослідні проекти в цій сфері. На ринку хмарних обчислень присутні не тільки пропрієтарні рішення, такі як VMware ESX, Xen, Distributed Resource Scheduler і інші, але і добре документовані комплекси з відкритим вихідним кодом, такі як OpenStack.

1. Актуальність теми

В опублікованому в грудні 2010 р звіті «Хмарні дивіденди - 2011» Центр економічних і бізнес-досліджень (CEBR) стверджує, що до 2015 р завдяки хмарних обчислень економіка розвинених європейських країн буде отримувати додатково по 177,3 млрд євро в рік. Звіт, підготовлений на замовлення EMC, став першою в своєму роді оцінкою значення освоєння хмарних обчислень на макроекономічному рівні для п'яти найбільших економік Європи. Автори звіту CEBR дійшли висновку, що якщо в Великобританії, Німеччині, Італії, Іспанії та Франції впровадження хмарних технологій триватиме очікуваними темпами, то до 2015 року вони будуть приносити економіці цих країн по 177,3 млрд євро в рік. Важливо відзначити, що левова частка цих коштів, як показує дослідження, буде забезпечена за рахунок освоєння приватної і гібридної моделей хмарних обчислень. CEBR підрахував, що річний економічний ефект від хмарних обчислень для кожної країни до 2015 р складе: Ефект, млрд євро:

Німеччина - 49,6
Франція - 37,4
Італія - 35,1
Великобританія - 30,0
Іспанія - 25,2

Хмарні обчислення - це новий підхід до ІТ, при якому технології стають доступними для підприємств в потрібному обсязі і тоді, коли вони в них потребують, йдеться в дослідженні. Це прискорює час виведення товарів на ринок, знімає традиційні вхідні бар'єри і дозволяє компаніям використовувати нові комерційні можливості. Посилюючи конкуренцію, цей прямий ефект хмарних обчислень матиме неабиякий вплив на структуру ринку в багатьох секторах економіки, а отже, і на світові макроекономічні показники, стверджує CEBR. CEBR вважає, що хмарні обчислення стануть важливим фактором економічного зростання, конкурентоспроможності та створення нових підприємств по всій єврозоні. Це підкреслює значимість даної технології для економічного відновлення регіону, зокрема, перед лицем зростаючої загрози з боку країн з економікою, що розвивається, які традиційно отримують вигоду від більш інтенсивної конкуренції.

2. Мета і завдання дослідження, плановані результати

Метою дослідження є розробка схеми і алгоритму роботи балансувальника навантаження в мережах хмарних обчислень.

Основні завдання дослідження:

Об'єкт дослідження: Балансувальник навантаження в мережах хмарних обчислень.

Предмет дослідження : Об'єднання методів зменшення часу відгуку на віддалені запити користувачів.

3. Особливості хмарних обчислень

Крім того, варто відзначити, що 80% ресурсів затребувані лише в 20% часу роботи сервісів.

В даний час існуючі рішення, побудовані на базі хмарних сервісів, використовую універсальний підхід для організації доступу до розміщених в них ресурсів.

Варианты расположения приложений

Малюнок 1 - Варіанти розташування додатків

3.1 Хмарні сервіси і кордони керованості

Обговорюючи різні типи хмарних сервісів - програмне забезпечення, платформу і інфраструктуру як сервіс, слід звертати увагу на т.зв. кордону керованості - тобто на те, що, в порівнянні з традиційними моделями розгортання у власній інфраструктурі, можна управляти при переході на хмарну платформу. Зі зрозумілих причин, інфраструктура як сервіс надає великі можливості по налаштуванню окремих компонентів, тоді як платформа як сервіс і програмне забезпечення як сервіс практично мінімізують ці можливості.

Відмінності в межах керованості показані на малюнку 1.1.

Границы управляемости

Малюнок 1.1 - Межі керованості

З малюнка 1.2 видно, що при розгортанні власної інфраструктури ви керуєте усіма її компонентами - від мережевих ресурсів до виконуються додатків. Тоді як при використанні моделі IaaS ви можете контролювати такі компоненти, як середовище виконання коду, безпеку і інтеграція, бази даних, і т.п. При переході до моделі PaaS, всі компоненти платформи надаються як сервіси з обмеженими можливостями для управління ними. Це зроблено, щоб надати в розпорядження споживачів оптимально сконфігурованої платформу, яка потребує додаткових налаштувань.

При проектуванні і створенні хмарних рішень важливе місце займає забезпечення надійності та оптимальності використання ресурсів - моніторинг, або отримання інформації про доступність і завантаженні апаратних ресурсів платформ з копіями розподіленого додатка, і балансування, то еть розподіл надходять призначених для користувача запитів між наявними апаратними платформами.

3.2 Принципи балансування навантаження в хмарних обчисленнях

Можна виділити наступні класи рішень, які використовуються при побудові багатовузлових систем (рис. 1.2): балансування з пропуском трафіку через один пристрій балансування; балансування засобами кластера; балансування без пропуску трафіку через один пристрій балансування.

Принципы балансировки нагрузки

Малюнок 1.2 - Принципи балансування навантаження: а) балансування з пропуском трафіку через один пристрій балансування; б) балансування засобами кластера; в) балансування без пропуску трафіку через один пристрій балансування

3.3 Балансування навантаження в хмарних обчисленнях

Віртуальні машини дають можливість розподіляти ресурси динамічно відповідно до вимог, оптимізуючи продуктивність додатків і споживання електроенергії. Для динамічного перерозподілу ресурсів існує ряд можливостей рішення, однією з основних є жива міграція віртуальних машин. Вона дозволяє хмарним провайдерам переміщати віртуальні машини з перевантажених хостів, підтримуючи їх продуктивність при заданому SLA і динамічно консолідувати віртуальні машини на меншій кількості хостів, щоб економити електроенергію при низькому завантаженні. Використовуючи «живу» міграцію і застосовуючи онлайн-алгоритми, які дозволяють приймати рішення про міграцію в реальному часі, можна ефективно керувати хмарними ресурсами, адаптуючи розподіл ресурсів до навантажень VM (віртуальних машин), підтримуючи рівні продуктивності VM відповідно до SLA і знижуючи енергоспоживання інфраструктури .

Важливою проблемою в контексті динамічної міграції є виявлення стану перевантаження або недовантаження хоста. Більшість сучасних підходів засновані на моніторингу використання ресурсів, і, якщо фактичне або прогнозоване таке значення перевищує заданий поріг, вузол оголошується перевантаженим. Проте, жива міграція має свою ціну, обґрунтовану порушенням продуктивності VM в процесі міграції. Проблема з існуючими підходами полягає в тому, що виявлення перевантаження хоста по одному виміру використання ресурсів або декільком майбутнім значенням може привести до поспішних рішень, зайвим накладних витрат на живу міграцію і проблем зі стабільністю VM.

Більш перспективним є підхід прийняття рішень про динамічної міграції на основі прогнозів використання ресурсів на кілька кроків вперед. Це не тільки підвищує стабільність, оскільки міграційні дії починаються тільки коли навантаження зберігається протягом декількох тимчасових інтервалів, але також дозволяє хмарним провайдерам прогнозувати стан перевантаження до того, як це станеться. З іншого боку, прогнозування більш віддаленого майбутнього збільшує помилку прогнозування і невизначеність, зменшуючи при цьому переваги довгострокового прогнозування. Ще одна важлива проблема полягає в тому, що жива міграція повинна виконуватися тільки в тому випадку, якщо штраф за можливі порушення SLA перевищує накладні витрати на міграцію.

Ця робота фокусується на управлінні хмарою IaaS, в якому кілька віртуальних машин працюють на декількох фізичних вузлах. Загальна архітектура диспетчера ресурсів і його основних компонентів показана на рис. 1.3. Існує агент VM для кожної віртуальної машини, який визначає розподіл ресурсів на своїй віртуальній машині в кожному часовому інтервалі. Для кожного хоста є хост-агент, який отримує рішення про розподіл ресурсів всіх агентів VM і визначає остаточні розподілу, дозволяючи будь-які можливі конфлікти. Він також виявляє, коли вузол перевантажений або недовантажений, і передає цю інформацію глобальному агенту. Глобальний агент ініціює рішення про міграцію віртуальної машини, переміщаючи віртуальні машини від перевантажених або недовантажених хостів на консолідуючі хости для зменшення втрат за порушення SLA і скорочення кількості фізичних вузлів. У наступних розділах більш детально розглядається кожен з компонентів диспетчера ресурсів.

Архитектура диспетчера ресурсов

Мал. 1.3 Архітектура диспетчера ресурсів

4. Глобальный агент

Глобальний агент приймає рішення про розподіл ресурсів провайдера за допомогою живих міграцій віртуальних машин з перевантажених або недовантажених хостів на інші вузли для зниження порушень SLA і споживання енергії. Він отримує повідомлення від хост-агента, якщо вузол буде перевантажений або недовантажений в майбутньому, і виконає перенесення VM, якщо воно того варто.

Неоптимізовані проекти цифрових систем, незалежно від базису реалізації, можуть мати значну надмірність і, отже, неефективно використовувати апаратні ресурси [84]. Це призводить до актуалізації завдання апаратурною оптимізації, яка, в контексті FPGA, зводиться до зниження відсотка використання тих чи інших внутрішніх блоків: LUT-элементов (LUT – Look-Up Table), модулів пам'яті, схем синхронізації.

Глобальний агент застосовує алгоритм Power Aware Best Fit Decreasing (PABFD) для розміщення VM з наступними коригуваннями. Для виявлення перевантаження або недовантаження використовуються наші підходи, представлені вище. Для вибору віртуальної машини використовується політика мінімального часу міграції (MMT), але з модифікацією, що для міграції в кожному раунді прийняття рішень обрана тільки одна віртуальна машина, навіть якщо хост може залишатися перевантаженим після міграції. Це робиться для зменшення кількості одночасних віртуальних міграцій віртуальних машин і пов'язаних з ними витрат.

Для процесу консолідації, розглядаються тільки недовантажені хости, які виявляються пропонованими підходами на основі довгострокового прогнозування. Зі списку недовантажених хостів спочатку розглядаються ті, які мають більш низьку середню завантаження CPU.

Висновки

З огляду на невизначеність прогнозування, додаткові витрати на живу міграцію і застосовуючи теорію прийняття оптимальних рішень, ми отримали найкращу за зведеними показниками рішення і поліпшення продуктивності.

Є кілька нарпавленій для майбутньої роботи:

По-перше, підхід заснований на довгостроковій моделі прогнозування. Це означає, що модель прогнозування не може легко передбачити раптове і різке збільшення навантаження (тобто сплески навантаження). Це питання виходить за рамки дослідження, але його можна вирішити, зосередивши увагу на методах виявлення сплесків навантаження. Цікавою областю майбутньої роботи є комбінування методів виявлення сплесків навантаження з використанням методів прогнозування навантаження для розробки широкого спектра моделей навантаження.

По-друге, на додаток до використовуваної в даний час схемою, щоб передбачити наступне значення завантаження CPU для локального розподілу ресурсів можуть бути вивчені більш складні схеми, засновані на теорії управління, калмановської фільтрації або нечіткої логіки.

По-третє, слід вивчити підхід до розподілу ресурсів, при якому кожен хост-агент приймає рішення про динамічної міграції у співпраці з найближчими хост-агентами. Такий підхід виглядає перспективно для великомасштабних хмарних інфраструктур, де важливими факторами є централізована складність оптимізації і єдина точка відмови. У таких підходах проблема полягає в тому, як хост-агенти з обмеженими даними повинні координувати один одного для досягнення глобальної мети оптимізації.

Нарешті, вивчення довгострокового прогнозування розподілу декількох ресурсів (наприклад, CPU, RAM, I / O) і їх взаємозалежності є цікавою областю для майбутньої роботи.

Список джерел

  1. Array Интеллектуальные навигационно-телекоммуникационные системы управления подвижными объектами с применением технологии облачных вычислений; РГГУ - Москва, 2015. - 158 c.
  2. Карр Николас Великий переход. Революция облачных технологий; Манн, Иванов и Фербер - М., 2015. - 324 c.
  3. Кузнецова, Т.В.; Санкина, Л.В.; Быкова, Т.А. и др. Делопроизводство. Организация и технологии документационного обеспечения управления; Юнити-Дана - М., 2015. - 359 c.
  4. Леонов В. Google Docs, Windows Live и другие облачные технологии; Эксмо - М., 2015. - 921 c.
  5. Тютюнник, А.В.; Шевелев, А.С. Информационные технологии в банке; БДЦ-пресс - М., 2016. - 368 c.
  6. Е. Гребнева. Облачные сервисы: взгляд из России.— М.: CNews,2011. —282с.
  7. С. Сейдаметова, С.Н. Сейтвелиева. Облачные сервисы в образовании. -Симферополь, 2012 - 206с.
  8. Модели облачных технологий. – Режим доступа: http://wiki.vspu.ru/workroom/adb91/index
  9. Что такое облачные сервисы, и какие бывают облачные технологии, а также их применение – Режим доступа: http://sd-company.su/article/cloud/service
  10. Клементьев И. П. Устинов В. А. Введение в облачные вычисления. – УГУ, 2009
  11. Широкова Е. А. Облачные технологии - Уфа: Лето, 2011
  12. Облачные сервисы для библиотек и образования И. Билан// «Университетская книга» №10, 2011
  13. «Облачные технологии» в образовательном процессе Т.М. Коробова// «ИТО-Саратов-2013»:V Всероссийская (с международным участием) научно-практическая конференция.
  14. Beloglazov, A., J. Abawajy, and R. Buyya (2011) “Energy-aware Resource Allocation Heuristics for Efficient Management of Data Centers for Cloud Computing”, Future Generation Computer Systems (28)5, pp. 755- 768, doi: 10.1016/j.future.2011.04.017.
  15. Shiva S. Introduction to logic design / S. Shiva. – CRC Press, 1998. – 628 pp.
  16. Singh A. Foundation of switching theory and logic design / A. Singh. – New Age International, 2008. – 412 pp.
  17. Поляков А.К. Языки VHDL и VERILOG в проектировании цифровой аппаратуры / А.К. Поляков. – М.: СОЛОН-Пресс, 2003. – 320 с.
  18. Ashenden P. Digital design: an embedded systems approach using Verilog / P. Ashenden. – Morgan Kaufmann Publishers, 2008. – 557 pp.
  19. Chu P. FPGA prototyping by Verilog examples / P. Chu. – Wiley, 2008. – 488 pp.
  20. Ciletti M. Advanced digital design with the Verilog HDL / M. Ciletti. – Prentice Hall, 2005. – 986 pp.
  21. Minns P. FSM-based digital design using Verilog HDL / P. Minns, I. Elliott. – Wiley, 2008. – 391 pp.
  22. Lee J. Verilog quickstart: a practical guide to simulation and synthesis in Verilog / J. Lee. – Springer, 2002. – 355 pp.
  23. Lee W. Verilog coding for logic synthesis / W. Lee. – Wiley, 2003. – 336 pp.
  24. Padmanabhan T. Design through Verilog HDL / T. Padmanabhan, B. Bala Tripura Sundari. – Wiley, 2004. – 455 pp.
  25. Berl, A., E. Gelenbe, M. di Girolamo, G. Giuliani, H. de Meer, M. Dang, et al. (2010) “Energy-Efficient Cloud Computing,” The Computer Journal (53)7, p. 1045.