Bulut Bilişim için Bir Enerji Optimizasyon Algoritması

Abstract

Bu tezde, özellikle enerji tüketimini optimize etmeye odaklanan, konteyner yönetimi için özel olarak uyarlanmış Sanal Makine (VM) tahsisi için kullanılan Best-Fit algoritmasının varyantlarının ve Genetik Algoritmaların (GA'lar) yenilikçi entegrasyonu incelenmektedir. Bulut hizmetlerine olan artan talep, daha enerji verimli veri merkezi yönetim stratejilerinin geliştirilmesini gerektirmiştir. Geleneksel VM tahsis yöntemleri genellikle optimal kaynak kullanımını hedefleseler de artan enerji israfına yol açabilmektedirler. Bu araştırma, verimli bir şekilde kutu paketleme problemlerinde kullanılan ve enerji kullanımını baz alarak genetik algoritmanın seçme işlemi için uyarlanan ve enerji tüketimi odaklı olarak Best-Fit algoritması varyantı ile enerji kullanımına ve gelen iş yüküne göre değişken olan Genetik Algoritma varyantının birlikte uyarlanmasına dayanan, yeni bir yaklaşım önermektedir. Bu yaklaşım Maksimum Kullanıma Dayalı Genetik Algoritma (MUBGA) olarak adlandırılmıştır. MUBGA, VM'leri kaynak kullanımındaki boşlukları minimize etmek için sanal makineleri ve konteynerleri akıllıca tahsis ederken, GA bileşeni, tahsis stratejisini, sürekli olarak değişen yük ve altyapı koşullarına uyum sağlamak üzere evrimleştirir. CloudSim ortamında yapılan bir dizi simülasyon, önerilen modelin enerji verimliliği ve hesaplama yükü açısından standart tahsis stratejilerine karşı performansını değerlendirmiştir. Ayrıca MUBGA, VM yerleştirme ve seçim aşamalarında, daha önce test edilmiş olan İlk Uyan (FF), Çeyrekler Arası Aralık (IQR), Maksimum Korelasyon (MC), Minimum Taşıma Süresi (MMT), Medyan Mutlak Sapma (MAD), Yerel Regresyon (LR) ve Statik Eşik (THR) gibi mevcut algoritmalar ile karşılaştırılmıştır. Sonuçlar, MUBGA olarak adlandırılan yeni geliştirilen algoritmanın, Hizmet Seviye Anlaşması (SLA) konusunda hafif bir hizmet kaybı olsa bile, özellikle büyük veri merkezlerinde, belirgin bir enerji tasarrufu sağladığını göstermektedir. Bu çalışma ile gerçek dünya bulut bilişim ortamlarında bu hibrit yaklaşımın potansiyelini ortaya konmaktadır. Bu çalışma, sadece konteyner tahsisinde teorik ilerlemelere katkıda bulunmakla kalmayıp, aynı zamanda veri merkezlerinde enerjiye duyarlı kaynak yönetimi için pratik sonuçlar sunmaktadır.

In this thesis, the innovative integration of the Best-Fit variant and Genetic Algorithms (GAs) for Virtual Machine (VM) allocation tailored specifically for container orchestration, with a primary focus on optimizing energy consumption is explored. The escalating demand for cloud services has necessitated the development of more energy-efficient data center management strategies. Traditional VM allocation methods often lead to suboptimal resource utilization and increased energy wastage. This research proposes a novel approach by adapting the Best-Fit variant algorithm in respect of energy consumption and implementing for selection process of GA and enhancing it with the robust optimization capabilities of GAs named as Maximum Utilization Based Genetic Algorithm (MUBGA). The MUBGA intelligently allocates VMs and containers to minimize the gaps in resource utilization, while the GA component continuously evolves the allocation strategy to adapt to changing loads and infrastructure conditions. A series of simulations on a CloudSim environment assess the performance of the proposed model against standard allocation strategies in terms of energy efficiency. The algorithm under investigation underwent testing during the VM allocation and selection phases on hosts. It is benchmarked against several existing algorithms, including First-Fit, Inter Quartile Range (IQR), Maximum Correlation (MC), Minimum Migration Time (MMT), Median Absolute Deviation (MAD), Local Regression (LR), and Static Threshold (THR). The results indicate that the proposed algorithm, referred to MUBGA, provides significant energy savings, particularly in large data centers, even if there is a slight trade-off in meeting the Service Level Agreement (SLA). This study not only contributes to theoretical advancements in container allocation but also offers practical implications for energy-aware resource management in data centers.