بهینه سازی زمان بندی وظایف در رایانش ابری به کمک الگوریتم های ترکیبی خفاش و منطق فازی

دسترسی به اینترنت و سرویسهای مبتنی بر آن در سالهای اخیر به شدت افزایش یافته است به طوری که حجم داده های تولید شده به چندین ترابایت در ثانیه رسیده است. این داده ها باید به صورت کلان داده ها با خصوصیات حجم و سرعت مدیریت شوند. برای پردازش این داده ها رایانش ابری به عنوان الگوی محاسباتی مورد استفاده قرار میگیرد که امکان زیر ساخت پویا و مقیاس پذیری را برای برنامه ها و ذخیره داده ها فراهم میکند با این وجود سرویسهای مبتنی بر رایانش ابری دو چالش اصلی دارند زمان بندی و امنیت برای مدیریت زمان بندی معیارهایی مانند طول صفها و تعداد وظایف در بازه های زمانی متوالی در نظر گرفته میشوند تا زمان بازگشت کارها و زمان بیکاری ماشینهای مجازی کاهش یابد در این مطالعه راهکاری اتخاذ شده است که در آن منابع به صورت بهتری مورد استفاده قرار گیرند و در واقع راهکار ارائه شده یک زمان بندی جدید خواهد بود که در آن کارها و وظایف وارد شده به رایانش ابری به گونه بهتری تخصیص داده شوند؛ روش پیشنهای ترکیبی از دو الگوریتم فرا ابتکاری خفاش و منطق فازی است. در این روش در ابتدا هر کار به تعدادی وظیفه شکسته شده و این وظایف بر اساس توانایی پردازش منابع و با استفاده از الگوریتم فرا ابتکاری خفاش مشخص میگردند که به چه منابعی تخصیص داده شوند. از آنجایی که الگوریتمهای فرا ابتکاری پاسخهایی نزدیک به بهینه و نه بهینه را پیدا میکنند منابعی به صورت کاندید توسط الگوریتم فرا ابتکاری خفاش انتخاب میشوند بهترین منبع با استفاده از منطق فازی از بین منابع کاندید انتخاب شده و یک زمان بندی ایجاد می گردد. این کار در بازه های زمانی متفاوتی انجام خواهد شد. مقایسه روش پیشنهادی با سایر الگوریتمهای مشابه بهبود ۲ تا ۵ درصدی روش پیشنهادی را نشان داد.