Українська
ДонНТУ   Портал магистров

Реферат по теме выпускной работы

Содержание

Введение

Еще совсем недавно, буквально 20 лет назад, доля использования информационных технологий в бизнесе составляло меньше 5-10 %. Сейчас – практически 100%. Переход от уникальности к масштабности позволяет воспринимать вычислительные мощности уже не как отдельный компьютер-сервер, стоящий в здании организации, а как услугу, которая предоставляется неким далеким датацентром. Собственно именно поэтому облачные вычисления называют новым трендом в развитии информационных технологий.

Именно поэтому многие компании начинают понимать важность и необходимость «ухода в облако». И именно поэтому сейчас необходимо осуществлять научно-исследовательские проекты в этой сфере. На рынке облачных вычислений присутствуют не только проприетарные решения, такие как VMware ESX, Xen, Distributed Resource Scheduler и другие, но и хорошо документированные комплексы с открытым исходным кодом, такие как OpenStack.

1. Актуальность темы

В опубликованном в декабре 2010 г. отчете «Облачные дивиденды — 2011» Центр экономических и бизнес-исследований (CEBR) утверждает, что к 2015 г. благодаря облачным вычислениям экономика развитых европейских стран будет получать дополнительно по 177,3 млрд евро в год. Отчет, подготовленный по заказу EMC, стал первой в своем роде оценкой значения освоения облачных вычислений на макроэкономическом уровне для пяти крупнейших экономик Европы. Авторы отчета CEBR пришли к заключению, что если в Великобритании, Германии, Италии, Испании и Франции внедрение облачных технологий будет продолжатся ожидаемыми темпами, то к 2015 г. они будут приносить экономике этих стран по 177,3 млрд евро в год. Важно отметить, что львиная доля этих средств, как показывает исследование, будет обеспечена за счет освоения частной и гибридной моделей облачных вычислений. CEBR подсчитал, что годовой экономический эффект от облачных вычислений для каждой страны к 2015 г. составит: Эффект, млрд евро:

Германия - 49,6
Франция - 37,4
Италия - 35,1
Великобритания - 30,0
Испания - 25,2

Облачные вычисления — это новый подход к ИТ, при котором технологии становятся доступными для предприятий в нужном объеме и тогда, когда они в них нуждаются, говорится в исследовании. Это ускоряет время вывода товаров на рынок, снимает традиционные входные барьеры и позволяет компаниям использовать новые коммерческие возможности. Усиливая конкуренцию, этот прямой эффект облачных вычислений окажет огромное влияние на структуру рынка во многих секторах экономики, а следовательно, и на мировые макроэкономические показатели, утверждает CEBR. CEBR считает, что облачные вычисления станут важным фактором экономического роста, конкурентоспособности и создания новых предприятий по всей еврозоне. Это подчеркивает значимость данной технологии для экономического восстановления региона, в частности, перед лицом растущей угрозы со стороны стран с развивающейся экономикой, которые традиционно получают выгоду от более интенсивной конкуренции.

2. Цель и задачи исследования, планируемые результаты

Целью исследования является разработка схемы и алгоритма работы балансировщика нагрузки в сетях облачных вычислений.

Основные задачи исследования:

Объект исследования: балансировщик нагрузки в сетях облачных вычислений.

Предмет исследования: объединение методов уменьшения времени отклика на удалённые запросы пользователей.

3. Особенности облачных вычислений

Кроме того, стоит отметить, что 80% ресурсов востребованы лишь в 20% времени работы сервисов.

В настоящее время существующие решения, построенные на базе облачных сервисов, использую универсальный подход для организации доступа к размещаемым в них ресурсам.

Варианты расположения приложений

Рисунок 1 – Варианты расположения приложений

3.1 Облачные сервисы и границы управляемости

Обсуждая различные типы облачных сервисов – программное обеспечение, платформу и инфраструктуру как сервис, следует обращать внимание на т.н. границы управляемости – т.е. на то, чем, в сравнении с традиционными моделями развертывания в собственной инфраструктуре, можно управлять при переходе на облачную платформу. По понятным причинам, инфраструктура как сервис предоставляет большие возможности по настройке отдельных компонентов, тогда как платформа как сервис и программное обеспечение как сервис практически минимизируют эти возможности.

Отличия в границах управляемости показаны на рисунке 1.1.

Границы управляемости

Рисунок 1.1 – Границы управляемости

Из рисунка 1.2 видно, что при развертывании собственной инфраструктуры вы управляете всеми ее компонентами – от сетевых ресурсов до выполняющихся приложений. Тогда как при использовании модели IaaS вы можете контролировать такие компоненты, как среда исполнения кода, безопасность и интеграция, базы данных, и т.п. При переходе к модели PaaS, все компоненты платформы предоставляются как сервисы с ограниченными возможностями для управления ими. Это сделано, чтобы предоставить в распоряжение потребителей оптимально сконфигурированную платформу, не требующую дополнительных настроек.

При проектировании и создании облачных решений важное место занимает обеспечение надежности и оптимальности использования ресурсов – мониторинг, или получение информации о доступности и загрузке аппаратных ресурсов платформ с копиями распределенного приложения, и балансировка, то еть распределение поступающих пользовательских запросов между имеющимися аппаратными платформами.

3.2 Принципы балансировки нагрузки в облачных вычислениях

Можно выделить следующие классы решений, используемые при построении многоузловых систем (рис. 1.2): балансировка с пропуском трафика через одно устройство балансировки; балансировка средствами кластера; балансировка без пропуска трафика через одно устройство балансировки.

Принципы балансировки нагрузки

Рисунок 1.2 – Принципы балансировки нагрузки: а) балансировка с пропуском трафика через одно устройство балансировки; б) балансировка средствами кластера; в) балансировка без пропуска трафика через одно устройство балансировки

3.3 Балансировка нагрузки в облачных вычислениях

Виртуальные машины дают возможность распределять ресурсы динамически в соответствии с требованиями, оптимизируя производительность приложений и потребление электроэнергии. Для динамического перераспределения ресурсов существует ряд возможностей решения, одной из основных является живая миграция виртуальных машин. Она позволяет облачным провайдерам перемещать виртуальные машины с перегруженных хостов, поддерживая их производительность при заданном SLA и динамически консолидировать виртуальные машины на наименьшем числе хостов, чтобы экономить электроэнергию при низкой загрузке. Используя «живую» миграцию и применяя онлайн-алгоритмы, которые позволяют принимать решения о миграции в реальном времени, можно эффективно управлять облачными ресурсами, адаптируя распределение ресурсов к нагрузкам VM ( виртуальных машин ), поддерживая уровни производительности VM в соответствии с SLA и снижая энергопотребление инфраструктуры.

Важной проблемой в контексте живой миграции является обнаружение состояния перегрузки или недогрузки хоста. Большинство современных подходов основаны на мониторинге использования ресурсов, и, если фактическое или прогнозируемое следующее значение превышает заданный порог, узел объявляется перегруженным. Тем не менее, живая миграция имеет свою цену, обоснованную нарушением производительности VM в процессе миграции. Проблема с существующими подходами заключается в том, что обнаружение перегрузки хоста по одному замеру использования ресурсов или нескольким будущим значениям может привести к поспешным решениям, излишним накладным расходам на живую миграцию и проблемам со стабильностью VM.

Более перспективным является подход принятия решений о живой миграции на основе прогнозов использования ресурсов на несколько шагов вперед. Это не только повышает стабильность, так как миграционные действия начинаются только когда нагрузка сохраняется в течение нескольких временных интервалов, но также позволяет облачным провайдерам прогнозировать состояние перегрузки до того, как это произойдёт. С другой стороны, прогнозирование более отдалённого будущего увеличивает ошибку прогнозирования и неопределенность, уменьшая при этом преимущества долгосрочного прогнозирования. Ещё одна важная проблема заключается в том, что живая миграция должна выполняться только в том случае, если штраф за возможные нарушения SLA превышает накладные расходы на миграцию.

Эта работа фокусируется на управлении облаком IaaS, в котором несколько виртуальных машин работают на нескольких физических узлах. Общая архитектура диспетчера ресурсов и его основных компонентов показана на рис. 1.3. Существует агент VM для каждой виртуальной машины, который определяет распределение ресурсов на своей виртуальной машине в каждом временном интервале. Для каждого хоста есть хост-агент, который получает решения о распределении ресурсов всех агентов VM и определяет окончательные распределения, разрешая любые возможные конфликты. Он также обнаруживает, когда узел перегружен или недогружен, и передает эту информацию глобальному агенту. Глобальный агент инициирует решения о миграции виртуальной машины, перемещая виртуальные машины от перегруженных или недогруженных хостов на консолидирующие хосты для уменьшения потерь за нарушение SLA и сокращения количества физических узлов. В следующих разделах более подробно рассматривается каждый из компонентов диспетчера ресурсов.

Архитектура диспетчера ресурсов

Рис. 1.3 Архитектура диспетчера ресурсов

4. Глобальный агент

Глобальный агент принимает решения о распределении ресурсов провайдера с помощью живых миграций виртуальных машин с перегруженных или недогруженных хостов на другие узлы для снижения нарушений SLA и потребления энергии. Он получает уведомления от хост-агента, если узел будет перегружен или недогружен в будущем, и выполнит перенос VM, если оно того стоит.

Неоптимизированные проекты цифровых систем, независимо от базиса реализации, могут иметь значительную избыточность и, следовательно, неэффективно использовать аппаратные ресурсы [84]. Это приводит к актуализации задачи аппаратурной оптимизации, которая, в контексте FPGA, сводится к снижению процента использования тех или иных внутренних блоков: LUT-элементов (LUT – Look-Up Table), модулей памяти, схем синхронизации.

Глобальный агент применяет алгоритм Power Aware Best Fit Decreasing (PABFD) для размещения VM со следующими корректировками. Для обнаружения перегрузки или недогрузки используются наши подходы, представленные выше. Для выбора виртуальной машины используется политика минимального времени миграции (MMT), но с модификацией, что для миграции в каждом раунде принятия решений выбрана только одна виртуальная машина, даже если хост может оставаться перегруженным после миграции. Это делается для уменьшения количества одновременных виртуальных миграций виртуальных машин и связанных с ними затрат.

Для процесса консолидации, рассматриваются только недогруженные хосты, которые обнаруживаются предлагаемыми подходами на основе долгосрочного прогнозирования. Из списка недогруженных хостов сначала рассматриваются те, которые имеют более низкую среднюю загрузку CPU.

Выводы

Учитывая неопределённость прогнозирования, дополнительные расходы на живую миграцию и применяя теорию принятия оптимальных решений, мы получили лучшее по сводным показателям решение и улучшение производительности.

Есть несколько нарпавлений для будущей работы:

Во-первых, подход основан на долгосрочной модели прогнозирования. Это означает, что модель прогнозирования не может легко предсказать внезапное и резкое увеличение нагрузки (то есть всплески нагрузки). Этот вопрос выходит за рамки исследования, но его можно решить, сосредоточив внимание на методах обнаружения всплесков нагрузки. Интересной областью будущей работы является комбинирование методов обнаружения всплесков нагрузки с использованием методов прогнозирования нагрузки для разработки широкого спектра моделей нагрузки.

Во-вторых, в дополнение к используемой в настоящее время схеме предсказания следующего значения загрузки CPU для локального распределения ресурсов могут быть изучены более сложные схемы, основанные на теории управления, Калмановской фильтрации или нечеткой логике.

В-третьих, следует изучить подход к распределению ресурсов, при котором каждый хост-агент принимает решения о живой миграции в сотрудничестве с ближайшими хост-агентами. Такой подход выглядит перспективно для крупномасштабных облачных инфраструктур, где важными факторами являются централизованная сложность оптимизации и единая точка отказа. В таких подходах проблема заключается в том, как хост-агенты с ограниченными данными должны координировать друг друга для достижения глобальной цели оптимизации.

Наконец, изучение долгосрочного прогнозирования распределения нескольких ресурсов (например, CPU, RAM, I/O) и их взаимозависимости является интересной областью для будущей работы.

Список источников

  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.