Green Cloud Computing

از OCCC Wiki
پرش به ناوبری پرش به جستجو

چكيده

هم زمان با رشد تكنولوژي جديد رايانش ابري و استفاده روزافزون از آن توجه به آلايندگي مراكز داده ضروري مي باشد.انتشار گاز دي اكسيد كربن توسط مراكز داده يكي از عوامل آلوده كننده محيط زيست بشمار مي آيد كه نقش مهمي در گرمتر شدن كره زمين و برهم خوردن تعادل آب و هوايي در سطح آن دارد. در اين زمينه نياز به ارائه روش هايي براي كاهش مصرف انرژي و به عبارت ديگر بهينه كردن مصرف انرژي در مراكز داده ، احساس مي شود.

مقدمه

رایانش ابری یکی از محبوب ترین تکنولوژی های نو ظهور در دنیای امروز است. این تکنولوژی ؛ نرم افزار ، دستیابی به داده ، خدمات ذخیره سازی و محاسبات از طریق اینترنت و تسهیلاتی برای مشتریان بر اساس مدل "پرداخت به میزان مصرف" را ارائه می کند. برای مشتریان فقط به همان اندازه ای که از خدمات استفاده کرده اند هزینه محاسبه خواهد شد. یکی از مزایای عمده رایانش ابری ، استفاده کاربران از خدمات محاسبه ای و خدمات ذخیره سازی داده ها بدون سرمایه گذاری کلان در زیر ساخت ها می باشد. به هرحال رشد تقاضای مشتریان برای خدمات ابری ، ارائه دهندگان این خدمات را دلگرم می کند(مثل گوگل ، مایکروسافت ، یاهو و...) که با اشتیاق زیادی به گسترش مراکز داده ادامه دهند.

برای اجرای این مراکز داده مقادیر خیلی زیاد انرژی موردنیاز است. این مقادیر انرژی برای کنسول ها ، نمایشگرها ، دستگاههای مربوط به شبکه ، فن های خنک کننده دستگاهها ، پردازنده ها ، روشنایی ، سیستم های تهویه مطبوع و غیره موردنیاز است.

مصرف انرژی صنعت اطلاعات در حال افزایش است. بطوریکه کل مصرف مراکز داده درسال 2012 حدود 38 گیگا وات بوده است و این مقدار حدودا 63٪ بیشتر از سال 2011 بوده است. این حقیقت که مصرف انرژی از سال 2007 تا 2030 معادل 67٪ افزایش خواهد داشت و مراکز داده سهم مهمی در این افزایش خواهند داشت ، تاکیدی بر اهمیت کاهش مصرف انرژی در صنعت رایانش ابری خواهد بود. بنابر این اهمیت بهره وری انرژی در مراکز داده و صنعت رایانش ابری افزایش پیدا خواهد کرد.

همچنین محیط زیست در اثر انتشار مقادیر زیاد کرین توسط صنایع فن آوری اطلاعات در خطر است. بنابر این نیاز به پیاده سازی محاسبات سازگارتر با محیط زیست که "رایانش ابری سبز" نامیده می شود ، وجود دارد. رایانش ابری سبز بعنوان مجاسباتی که از لحاظ زیستی قابل تحمل هستند تعریف می شوند. و به تلاش هایی برای حداکثر کردن استفاده از انرژی مصرفی و بالابردن کارایی انرژی و به حداقل رساندن میزان انتشار گاز دی اکسید کربن اشاره دارد.

انجمن های تحقیقاتی یک سری از راه حل های سخت افزاری و نرم افزاری برای مسئله بهره ور کردن انرژی و به حداقل رساندن انتشار گاز دی اکسید کربن در عملیات رایانش ابری ارائه داده اند.

بعضی از راه حل های نرم افزاری ، استفاده از تکنیکی به نام مجازی سازی در رایانش ابری را پیشنهاد می دهند. مجازی سازی برای ایزوله کردن بهتر منابع و کاهش مصرف انرژی زیرساخت به واسطه ترکیب منابع و مهاجرت برخط ، استفاده خواهد شد.

بررسي ادبيات موضوع

مصرف انرژی و توان کاری سیستم بستگی به عوامل زیادی دارد. روش های مقدماتی مدیریت انرژی برای سرورها در محیط های ابری از قبیل خاموش و روشن کردن سرورها ، قراردادن آنها در حالت آماده بکار ، ارائه شده.

برخی از راهکارها برای دخیره سازی انرژی استفاده از مقیاس دهی ولتاژ / فرکانس (DVFS) و استفاده از روش های مجازی سازی برای بکارگیری بهتر منابع می باشد.

محققان کوشش های زیادی برای کاهش مصرف انرژی در Clouds و مراکز داده انجام داده اند.برخی از محققان روی مصرف انرژی میزبان های فیزیکی متمرکز شده اند . مدل مصرفی آنان به تاثیر بار کاری سرور روی سخت افزار مشخص توجه دارد.

مدل دیگر مصرف انرژی بر پایه تعداد نسخه های ماشین مجازی جاوا که روی سرور در حال اجرا هستند ، متمرکز شده اند. محاسبه انرژی مصرفی در این مدل دشوار است زیرا ماهیت چرخه زندگی ماشین ها مجازی جاوا پویا است.

تعدادی از استاندارد های مدیریت شبکه تحت عنوان تنظیمات پیشرفته وتعیین واسط انرژي(ACPI) برای بازبینی و بهبود مصرف انرژی بطور کلی مشخص شده اند. برای مثال تعریف وضعیت های عملیاتی بمنظور مدیریت انرژي در وضعیت های کارکردن ، آماده بکار ، خاموش بودن نرم و خاموش بودن مکانیکی مطرح شده اند. پیاده سازی موفق چنین سیستمی منجر به کنترل سیستم عامل ، بایوس و کارت های گسترشی نصب شده روی mainboard خواهد شد.

تعدادی از راهکارهای مدیریت انرژی ، خاص صنعت نیز وجود دارند. برای مثال مدیریت انرژی هوشمند گره های شبکه شرکت اینتل و مدیر مرکز داده(DCM) که بدون تاثیر بر روی کارایی سیستم باعث کاهش 20 درصدی مصرف انرژی خواهد شد. DCM مصرف انرژی و دما را مورد بازبینی قرارداده و سرورها و رک ها را مدیریت می کند.

در این تحقیق روشهای ترکیبی و دقیق تری مورد توجه قرار گرفته اند که موجب کاهش بیشتر مصرف انرژی بدون تاثیر بر روی کارایی سیستم ، خواهد شد.

بدنه تحقيق

مدل سازی مصرف انرژی

تحقیقات اخیر نشان میدهد که 30٪ کل انرژی بوسیله اتصالات ارتباطی ، سوئیچ کردن و منابع مجتمع مصرف می شود. بعلاوه بازیابی داده ها از روی منابع ذخیره سازی به اندازه کافی در مصرف انرژی سهم دارند.

اگر چه سیستم های خنک کننده در محیط های ابری به اندازه کافی انرژی مصرف می کنند ولی این مقدار مصرف می تواند به شکل ثابت مدل شود بنابراین توجه بر روی ذخیره سازی ، محاسبات و ارتباطات است. این منابع هم به مقدار کافی انرژی مصرف می کنند و هم اینکه مصرف آنها خیلی پویا است. در این مدل انرژی به 2 نوع ثابت و متغیر تقسیم می شود.

انرژی متغیر به 3 نوع انرژی عملیات پردازش ، ذخیره سازی و ارتباطی تفکیک می شود. یک وظیفه تنها بعنوان یک واحد درنظر گرفته می شود و هزینه مصرفی این واحد اندازه گیری می شود. ابزار تحلیل ، مدل مصرف انرژی را بعنوان ورودی می گیرد و انرژی مصرف شده بوسیله هر وظیفه را بر پایه پارامترهایی مثل تعداد پردازش ، اندازه داده پردازش شده ، اندازه داده منتقل شده و تنظیمات سیستم محاسبه می کند.

                                          Energymodel.jpg

این محاسبه به تعیین رابطه بین مصرف انرژی و وظایف درحال اجرا در محیط Cloud کمک می کند و به همین طریق به تعیین رابطه بین تنظیمات سیستم و کارایی نیز کمک می کند. نتایج تحلیلی ، همبستگی بین کارایی سیستم و انرژی مصرف شده را نشان می دهد که میتواند برای توسعه روش های بهره ور انرژی مهم باشد.




زمان بندی بارکاری

در زمان بندی بار کاری تمرکز بر بدست آوردن درصد بکارگیری منابع به شیوه ای با هزینه بهینه می باشد. این نگرش از اصل تئوری صف بندی و همچنین ارتباط بین نرخ بسته های اطلاعات رسیده ، نرخ سرویس و زمان پاسخگویی استفاده می کند. یک ازتباط نمایی بین هزینه انرژی و درصداشغال بودن سرور پیدا شده که برای انتخاب سرور برای تحقق حداکثر بازدهی استفاده می شود. انرژی در 3 حالت مصرف می شود :

1-زمان مدیریت دستگاه

2-پردازش بسته اطلاعات برنامه های کاربردی

3-عملیات دستگاه سخت افزاری


انرژی مصرف شده در سرور تابعی است از هزینه هر پورت ، تعداد پورت ، انرژی مصرف شده هر خط کارت(خط کارت برای یک پورت سرور یا تعداد بیشتری پورت بکار می رود) ، کیس سرور و هزینه هر بیت که تابعی از درصد اشغال هر پورت است. این هزینه براساس انرژی مربوط به روش دسترسی ارتباط بی سیم و تنظیمات پورت موزون می شود. منظور از تنظیمات پورت ، نرخ فوروارد کردن داده در هر پورت می باشد.

راه کار زمان بندی با سیستم مدیریت شبکه یکپارچه شده و وقتی یک کار به مرکز داده می رسد حجم ترافیک ارزیابی می شود ، هزینه انرژی سرور و درصد مشغول بودن سرور بازبینی می شود و نهایتا درصد اشغال تعیین شده گزارش می شود.از طرفی منابع مرکز داده در 3 لایه طبقه بندی شده اند درلایه 1 سرورهای سریعتر و با قدرت پردازش بالاتر قرار گرفته اند و به ترتیب در لایه 2 و3 توان پردازش و سرعت سرورها کاهش می یابد.کار ابتدا به سرورهای ارزان تر (از نظر مصرف و هزینه انرژی) ارجاع می شود و در صورت افزایش درصد اشغال سرور بیش از مقدار تعیین شده ، کار به سرور های گرانتر(از نظر مصرف و هزینه انرژی) ارجاع می شود.




زمان بندی ماشین های مجازی و مهاجرت

در رویه زمانبندی و مهاجرت ماشین های مجازی هدف جمع کردن ماشین های مجازی بر روی سرورهای فیزیکی با توجه به کاهش مصرف انرژی و هزینه می باشد. در این روش 2 الگوریتم با هم ترکیب شده اند :

1- رویه تخصیص برای تخصیص کارها.

2- رویه مهاجرت بهینه ماشین های مجازی با توجه به حداقل مهاجرت و حداقل مصرف انرژی.


در رویه تخصیص تعداد سرور در دسترس در مرکز داده مشخص می شوند. هر سرور میزبانی تعدادی ماشین مجازی را برعهده دارد که مشخص کننده میزان مصرف جاری انرژی سرور می باشد.

                                    Vmmig.jpg

همانطور که در شکل فوق نشان داده شده ، با ترکیب 2 رویه تخصیص و مهاجرت ماشین های مجازی ، دستیابی به حداقل مصرف انرژی امکان پذیر گردیده. ماژول مدیر Cloud منابع مرکز داده و درخواست های مشتریان را کنترل می کند . همچنین زمان بندی ماشین های مجازی و خواندن یا ذخیره کردن آنها در فضای ذخیره سازی را انجام می دهد.

ماژول تخمین انرژی یک ماژول واسطه بین ماژول مدیر Cloud و ماژول زمانبندی کننده آگاه از انرژی است. این ماژول میزان مصرف انرژی سرورها را محاسبه می کند.

ماژول زمانبندی کننده آگاه ازانرژی(ٍenergy-aware) از 2 ماژول تشکیل شده. ماژول تخصیص و ماژول مهاجرت. ماژول تخصیص وظیفه تخصیص اولیه و دقیق ماشین مجازی را به وظایف واصله دارد. ماژول دوم ترکیب پویای ماشین های مجازی و حداقل کردن تعداد سرورهای فیزیکی و درحال استفاده را انجام می دهد. سرورهای فیزیکی بیکار خاموش یا در حالت آماده بکار قرار می گیرند.




تخصیص بارکاری

رویه مدیریت بهره ور منابع شبکه بوسیله تخصیص بارکاری ، تابعی از حجم ترافیک برنامه کاربردی و سرعت سرور است. بهره وری بوسیله حداقل کردن بسته های داده گمشده و استفاده بهره ور از ظرفیت باقیمانده سرور با بازرسی الگوی ترافیکی بدست می آید.

راه حل زمینه آگاه کارایی مرکز داده را با بهره برداری از ارتباط بین سرعت سرور و نرخ ترافیک رسیده ، بهینه می کند. این ارتباط اجازه می دهد که کارایی و هزینه کربن بهینه شوند. منظور از زمینه ، شرایط بلادرنگ Cloud است که شامل خصوصیات عملیاتی منابع سخت افزاری و متوسط نرخ گردش ترافیک است. کارایی بهینه لزوما با سرعت های بالاتر پردازش بدست نمی آید بلکه با تحمیل سربار بیشتر تحت تاثیر حذف شدن بسته های اطلاعات و سرریز شدن لینک های ارتباطی و دستگاهها در اثر حجم بالای بسته های اطلاعات پردازش شده توسط سرور ، باعث افزایش مصرف انرژی می شود.

بنابر این باید بتوانیم سرعتی که سرور قادر به نشان دادن عکس العمل برای پشتیبانی ترافیک و توانایی عبوردادن بسته های اطلاعات روی ارتباطات شبکه ای می باشد را تعیین کنیم. نقطه ای که ظرفیت عبورداده ها به اندازه ای باشد که بتواند ترافیک برنامه های کاربردی را عبور دهد ضمن اینکه حداقل سربار را داشته باشیم.

این رویه پیشنهاد می کند که ازطریق انتخاب سرورهایی که می توانند بارهای کاری را با سرعتی منطبق با نرخ داده های رسیده پردازش کنند ، نقطه بهینه بدست آید. نقطه ای در سرعت سرور وجود دارد که در این نقطه کارایی بهینه بدست می آید و در سرعت پایین یا بیشتر بدست نمی آید. این موضوع در شکل زیر نمایش داده شده است.


                                           Serverspeed.jpg

ــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــــ



Ec11.jpg

EC.jpg

نتيجه گيري

استفاده کارا و بهره ور از منابع محاسباتی در مراکز داده ابری می تواند به دستیابی به محاسبات ابری سبز کمک کند. در این مقاله نگرش های پیشنهاد شده متفاوتی در این زمینه ارائه شد.بعضی از نگرش ها از تخصیص و زمانبندی بدون استفاده از مجازی سازی استفاده کردند در حالیکه بعصی دیگر از مجازی سازی استفاده کردند. مجازی سازی می تواند به بهتر شدن استفاده از منابع در مراکز داده ابری کمک کند. زمانبندی ماشین های مجازی و مهاجرت مهم هستند اما هزینه و مصرف انرژی فزآیند مهاجرت باید در ارزیابی کارایی مورد توجه قرار بگیرد.

مراجع

  • -Chen, F. F., Schneider, J.-G., Yang, Y., Grundy, J. & He, Q. (2012). An energy

consumption model and analysis tool for cloud computing environments. Available from: [[۱]]


  • -Energy aware scheduling across 'green'cloud data centres

C Peoples, G Parr, S McClean… - 2013 IFIP/IEEE …, 2013 - ieeexplore.ieee.org Available from : [[۲]]


  • -An Energy Aware Network Management Approach Using Server Profiling in'Green'Clouds

C Peoples, G Parr, S McClean… - Network Cloud …, 2012 - ieeexplore.ieee.org َAvailable from : [[۳]]


  • -Energy efficient VM scheduling for cloud data centers: exact allocation and migration algorithms

C Ghribi, M Hadji, D Zeghlache - Cluster, Cloud and Grid …, 2013 - ieeexplore.ieee.org َAvailable from : [[۴]]