خوشه بندی براساس مکان مجازی ماشین ها در محاسبات ابری توزیع شده

مجازی سازی یکی از مهم ترین ویژگی های محاسبات ابری می باشد. مکان ماشین های مجازی (VMها) درماشین های فیزیکی بازده مصرف منابع و کیفیت سرویس را مشخص می نماید. مخصوصا در محاسبات ابری توزیع شده، که مراکز داده (DCها) محدوده جغرافیایی وسیعی را پوشش می دهند و تمام DCها توسط اینترنت سرعت بالا به هم متصل اند، مکان VMهای یک فعالیت بزرگ یا سازمانی بر کاهش فاصله و پهنای باند DCها تمرکز دارد. این امر موجب حداقل شدن تاخیر ارتباط و بهبود دسترسی می گردد. یک خوشه مرکز داده در ابتدا باید خودش را با درخواست VMها تطبیق دهد. هدف کاهش بیشترین فاصله داخلی DCها است. در مقابل روش های موجود که تنها فاصله بین مراکز داده را در نظر می گیرند، یک الگوریتم خوشه بندی کارآمد که توسط استفاده کامل از توپولوژی و ویژگی تراکم شبکه ابری گسترش داده شده است، ارائه می شود. شبیه سازی نشان می دهد که الگوریتم ارائه شده برای مسائل مقیاس بزرگ بسیار مناسب است. سپس، VMهای درخواستی باید به خوشه های DC تفکیک شوند، تا در پهنای باند داخلی DC صرفه جویی شود و دسترسی نیز بهبود داده شود. با معرفی مدل نیم ارتباطی، الگوریتمی جدید که مصرف پهنای با

Resource virtualization is one of the most prominent characteristics of cloud computing. The placement of virtual machines (VMs) in the physical machines determines the resource utilization efficiency and service quality. Especially for distributed cloud computing, where the data centers (DCs) span a large number of geographical areas and all DCs are connected by high speed internet, the placement of VMs of one big task or of one organization focuses on minimizing the distances and bandwidths between DCs. This minimizes communication latency and improves availability. A data center cluster should be found firstly to accommodate the requested VMs. The purpose is to minimize the maximum inter-DC distance. In contrast to existing method that only considers the distances between data centers, a more efficient clustering based 2-approximation algorithm is developed by taking full use of the topology and the density property of cloud network. The simulation shows the proposed algorithm is e