Интеллектуализация использования аппаратных ресурсов центра обработки данных, оказывающего услуги облачных вычислений

В настоящее время набирает популярность технология облачных вычислений – технология, в рамках которой компьютерные ресурсы центра обработки данных предоставляются пользователю по сети как онлайн-сервис. Спрос стимулирует рост количества и размеров центров обработки данных, оказывающих данные услуги. Пандемия стала причиной перехода многих сервисов в режим онлайн. Многие организации подчеркнули для себя эффективность удаленной работы, в связи с чем выросла распространенность дистанционного обучения. Таким образом, возникает необходимость оптимизации работы ИТ-инфраструктуры поставщиков облачных услуг в целях повышения ее экономичности и экологичности (соответствие концепции Green computing) при сохранении заранее определенного уровня качества обслуживания. Одной из ключевых проблем оказания услуг облачных технологий является оптимальное распределение виртуальных машин на физических серверах. Данной проблемой занимались многие исследователи, и в этой работе проведен анализ существующих подходов к ее решению. Все они основаны на анализе текущей рабочей нагрузки с последующей корректировкой распределения виртуальных машин. В работе предлагается интеллектуализация использования аппаратных ресурсов центра обработки данных, которая заключается в превентивном управлении аппаратными платформами, размещении виртуальных машин, основанном на прогнозировании рабочей нагрузки в будущем. Для апробации предлагаемого подхода использованы возможности фреймворка CloudSim.

1. Gartner, Gartner forecasts worldwide public cloud revenue to grow172020. Доступно по: https://www.gartner.com/en/newsroom/press-releases/2019-11-13-gartner-forecasts-worldwide-public-cloud-revenue-to-grow-17-percent-in-2020 (дата обращения: 24.04.2021).

2. Makoviy K., Khitskova Y. Estimating the Cost of Implementing Virtual Desktops as a Stage of Project Management in the Field of Cloud Technologies. International Russian Automation Conference. Springer, Cham. 2019;641:1034–1043.

3. Маковий К.А., Шипилов Н.В. Анализ потребностей виртуальной машины в ресурсах сервера VDI. Актуальные проблемы прикладной математики, информатики и механики: сборник трудов международной научно-технической конференции, Воронеж, 12-15 сентября 2016 года. Воронеж: Научно-исследовательские публикации. 2016:100–103.

4. Маковий К.А., Хицкова Ю.В., Герус С.В. Использование метода гибридных оценок в области информационных технологий. Научный вестник Воронежского государственного архитектурно-строительного университета. Серия: Информационные технологии в строительных, социальных и экономических системах. 2016;1(7):120–124.

5. Соловьев В.П., Удовиченко А.О. Метод планирования размещения группы виртуальных машин с перераспределением ресурсов. Программные продукты и системы. 2012;1:134-137.

6. Beloglazov A., Buyya R. Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in cloud data centers. Concurrency and Computation: Practice and Experience. 2012;24(13):1397–1420.

7. Lago D.G., Madeira E.R. M., Bittencourt L.F. Power-aware virtual machine scheduling on clouds using active cooling control and DVFS. In Proceedings of the 9th International Workshop on Middleware for Grids. Clouds and e-Science. 2011:1–6.

8. Shi L., Furlong J., Wang R. Empirical evaluation of vector bin packing algorithms for energy efficient data centers. In IEEE Symposium on Computers and Communications. 2013:9–15.

9. Calcavecchia N., Biran O., Hadad E., Moatti Y. VM placement strategies for cloud scenarios. In IEEE 5th International Conference on Cloud Computing. 2012:852–859.

10. Calheiros, R.N., Ranjan, R., Beloglazov, A., De Rose, C.A., & Buyya, R. CloudSim: a toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms. Software: Practice and experience. 2011;41(1):23-50.