Bulut bilişimde yük dengeleme ve görev planlama algoritmalarının optimize edilmesi

Yük dengeleme ve görev zamanlama, bulut bilişimde hem kullanıcının hem de hizmet sağlayıcının beklentileri karşılaması açısından optimize edilmesi gereken önemli bir problemdir. Yeterli seviyede optimize edilememiş görev zamanlama süreçleri, QoS yerine getirilememesi ve SLA ihlali nedeniyle hem müşteri ve hem de hizmet sağlayıcı açısından olumsuzluklara neden olur. Görev zamanlama algoritmasının optimizasyonu ile müşteri ve sağlayıcı taleplerinin en yüksek seviyede karşılanması mümkün olabilir. Metasezgisel algoritmalar bulut görev zamanlama gibi NP-Zor problemlerde iyi sonuçlar üretir. Bu çalışmada, bulut bilişim ortamlarında yük dengeleme ve görev zamanlamayı optimize etmek için Klonal Seçim Algoritması (CSA), Genetik Algoritma (GA), Diferansiyel Evrim (DE) ve Parçacık Sürü Optimizasyonu (PSO) gibi metasezgisel algoritmaların karşılaştırmalı performans analizleri yapılmıştır. Algoritmaların arama performansını artırmak için literatürde kullanılan metasezgisel algoritmaların hibritleştirilmesi ve adaptif hiperparametre optimizasyonu gibi yöntemlerin aksine, arama performansını artırmak için bir paralelleştirme yöntemi önerilmiştir. Önerilen hibrit paralelleştirme yöntemi, metasezgisel algoritmadan bağımsız ve esnek bir şekilde uygulanabilmesi için küresel popülasyon master-slave ve çoklu-deme yöntemlerinden yararlanılarak oluşturulmuştur. Önerilen paralelleştirme modeli CSA, DE, PSO ve GA algoritmalarına ayrı ayrı uygulanmış ve detaylı arama performans analizleri incelenmiştir. Sonuçlar, algoritmaların normal sıralı sürümleri ile karşılaştırıldığında, CSA algoritmasının GA'ya yakın sonuçlar vermesine rağmen diğer algoritmalara göre daha başarılı sonuçlar elde ettiğini göstermiştir. Önerilen paralelleştirme modeli, test edilen tüm algoritmaların performansını artırmış ve Paralel Klonal Seçim Algoritması (PCSA), karşılaştırılan diğer algoritmalardan daha iyi sonuçlar vermiştir.