GreeDi مسیریابی داده بزرگ فضای ابری

GreeDi مسیریابی داده بزرگ فضای ابری – ایران ترجمه – Irantarjomeh

مقالات ترجمه شده آماده گروه کامپیوتر

مقالات ترجمه شده آماده کل گروه های دانشگاهی

مقالات

چگونگی سفارش مقاله

الف – پرداخت وجه بحساب وب سایت ایران ترجمه(شماره حساب)ب- اطلاع جزئیات به ایمیل irantarjomeh@gmail.comشامل: مبلغ پرداختی – شماره فیش / ارجاع و تاریخ پرداخت – مقاله مورد نظر --مقالات آماده سفارش داده شده پس از تایید به ایمیل شما ارسال خواهند شد.

www.irantarjomeh.com

GreeDi: یک الگوریتم مسیریابی کارآمد انرژی برای داده های بزرگ در فضای ابری

چکیده

تراکم رو به ازدیاد رایانش ابری و طرف های حاضر در این عرصه، همانند کاربران، خدمات، فراهم آورندگان سرویس و مراکز داده، سبب رشد نمایی معنی داری در عناصر مختلف مرتبط با این فضا، نظیر تولید داده ها و انتقال آنها به طرف های موجود در فضای رایانشی ابری، ترافیک شبکه، و انرژی مصرف شده به وسیله زیر ساختارهای گسترده و انبوه رایانش ابری، شده است که خود با توجه به این مولفه نیازمند واکنش سریع و کارآمد در ارتباط با درخواست های انبوه کاربران می باشد. انتقال حجم گسترده ای از داده ها در بین گروه های فوق الذکر نیازمند پهنای باند بالا و ارتباط گسترده می باشد، که خود در مقایسه با صرف فرآیند پردازش داده ها، و  همچنین ذخیره سازی  داده های بزرگ بر  روی  مراکز داده ای ابری سبب مصرف مقادیر زیادی از انرژی شده است. بنابر این،  چنین مولفه ای را می توان بعنوان یکی از عوامل ایجاد و انتشار زیاد گاز دی اکسید کربن محسوب نمود. این میزان مصرف نیرو به هنگام انتقال داده های بزرگ به یک مرکز داده، قرار گرفته در فاصله ای تقریباً زیاد از موقعیت جغرافیایی کاربران، کاملاً مهم و معنی دار تلقی می شود. بنابراین، کاملاً ضروری است تا قابلیت یافتن مسیری را داشته باشیم که پایین ترین حد مصرف انرژی را داشته باشد و در عین حال قادر باشد تا اطلاعات را بین کاربران و مراکز داده ای مشخص شده جابجا نموده و بعلاوه این اطمینان حاصل شود که درخواست های کاربران، همانند زمان پاسخ، به خوبی برآورده می گردد.

تعامل اصلی این مقاله در ارتباط با الگوریتم GreeDi می باشد، که خود به عنوان یک الگوریتم مسیریابی شبکه مبنا تلقی می گردد که برای یافتن کارآمدترین مسیر انرژی به مرکز داده های ابری در ارتباط با پردازش و ذخیره سازی داده های بزرگ به شمار می آید. این الگوریتم در ابتدا با توجه به محاسبه وضعیت فرمول بندی می شود. رویکردهای برنامه نویسی خطی و دینامیکی مرتبط جهت مدل سازی این الگوریتم بکار گرفته شده اند. این الگوریتم متعاقباً با توجه به ویژگی الگوریتم کوتاهترین مسیر با حداقل تعداد گره های سیر شده، با استفاده از یک توپولوژی شبکه فیزیکی ISP حقیقی ایتالیایی، مورد ارزیابی قرار می گیرد.

کلمات کلیدی: داده های بزرگ / کلان، رایانش ابری، الگوریتم مسیریابی، مراکز داده

GreeDi مسیریابی داده بزرگ فضای ابری

۱- مقدمه

در خلال دهه گذشته، کاربرد رایانش ابری جهت انجام مشاغل و خدمات فردی به سرعت بر مبنای الگوی بر حسب تقاضا و پرداخت به هنگام نیاز ارتقا یافته است. چنین موردی به واسطه ارائه مدل بسیار ساده فراهم آوری خدمات رایانشی ابری میسر شده است: در این مدل، فراهم آورندگان خدمات اقدام به ارائه منابع رایانشی دارای عملکرد بالا به کاربران نهایی می نمایند. کاربران نهایی نیز مشترک منابعی خواهند شد که بدان ها نیاز دارند. بنابر این، به طور آشکار در این زمینه لازم است که نوعی اتصال شبکه پر سرعت بین کاربران و فراهم آورندگان خدمات ایجاد شود تا قابلیت فرمول بندی چنین مدلی فراهم گردد. شرکت داده های بین المللی (IDC) در مرجع [۱] اطلاعات قابل توجهی را منتشر نموده است که نشان دهنده این موضوع می باشد که خدمات رایانشی ابری جهانی و کاربرد آنها (یعنی فضای ذخیره سازی مبتنی بر شبکه) از افزایش قیمتی از ۱۶ بیلیون دلار در سال ۲۰۰۸ به ۴۲ بیلیون دلار در سال ۲۰۱۲ برخوردار بوده است، که به طور آشکار مشخص کننده این موضوع می باشد که رایانش ابری فراهم آورنده فضای قدرتمند ذخیره سازی اطلاعات، رایانش / محاسبات و قابلیت های توزیعی جهت مشخص سازی و ایجاد نوعی ساختار و فرآیند قابل توجه برای داده های بزرگ یا کلان می باشد (همانند اطلاعات پزشکی، ویدیویی و تصویری و آرشیوهای مربوط بدان، یا برنامه های کاربردی علمی) که تمامی آنها به وسیله کلیه طرف های ذی نفع در عرصه رایانش ابری پدیدار گردیده اند.

…

ادامه این مقاله به شرح ذیل سازماندهی شده است: بخش ۲ مشخص کننده اهداف اصلی این مقاله می باشد. تحقیقات مرتبط در بخش ۳ خلاصه شده اند. مدل پیشنهادی در بخش ۴ مورد بحث قرار می گیرد، که شامل بحث پیرامون محاسبات مبتنی بر موقعیت و کاربرد آنها جهت تحلیل توپولوژی شبکه نیز خواهد بود. رویکردهای مدل سازی برنامه نویسی خطی هدف و ویژگیهای دینامیکی آن نیز در فصل ۵ مورد بحث قرار می گیرند. ارزیابی مدل پیشنهادی با جزئیات مربوط به آن در بخش ۶ ارائه می شود. در نهایت، نتیجه گیری و مؤلفه های مرتبط با تحقیقات آتی در فصل ۷ ارائه خواهد شد.

GreeDi مسیریابی داده بزرگ فضای ابری

۲- اهداف

دو ویژگی اصلی در ارتباط با مصرف انرژی رایانش ابری وجود دارد که می بایست به صورت کارآمد و بالسویه جهت حاصل آوردن شبکه رایانش ابری کاملاً سبز آنها را در نظر داشت:

• میزان انرژی مصرفی در مراکز داده و

• میزان انرژی مصرفی در خصوص انتقال داده ها بین کاربر و مرکز داده ای ابری.

از آنجایی که راه حل های نوین کنونی به طور ابتدا به ساکن بر روی ارتقای انرژی مصرفی در مراکز داده تمرکز دارند، همانگونه که بخش بعدی نشان خواهد داد، هدف اصلی این مقاله پیشنهاد و ارزیابی یک الگوریتم مسیریابی مناسب تحت عنوان مدیر سبز (GreeDi) جهت مخاطب قرار دادن چنین شکافی می باشد. الگوریتم GreeDi به عنوان یک پل واسطه برای هدایت درخواست های کاربران به مراکز اطلاعات سبز بر حسب کاربرد کارآمدترین مسیر جهت حاصل آوردن یک شبکه رایانشی ابری کاملاً سبز، و در عین حال اطمینان از برآورده سازی ضروریات مربوط به کاربران، همانند زمان پاسخ، می باشد.

جهت حاصل آوردن چنین هدفی، ما در ابتدا اقدام به مدل سازی شبکه رایانش ابری و میزان مصرف نیروی آن به عنوان مبنایی جهت محاسبه انرژی مورد نیاز به وسیله شبکه ابری قبل و بعد از بکارگیری الگوریتم پیشنهادی می نماییم. متعاقباً ما اقدام به فرمول بندی اتصالات بینابینی بین کاربر ابری و مرکز داده ابری، با استفاده از یک مدل محاسبه موقعیت جهت تعریف وضعیت منطقی این شبکه، می نماییم. به هنگامی که چنین ارتباطی فرمول بندی و ارائه شد، ما متعاقباً اقدام به محاسبه انرژی مورد نیاز برای انتقال داده ها خواهیم نمود. رویکرد برنامه نویسی خطی نیز جهت مدل سازی الگوریتم پیشنهادی بکار گرفته خواهد شد، که نهایتاً قابلیت ارزیابی در برابر خط مشی مسیریابی کوتاهترین مسیر شناخته شده را خواهد داشت.

GreeDi مسیریابی داده بزرگ فضای ابری

۳- تحقیقات مرتبط

مصرف انرژی و تحلیل آن از طرف حوزه های مختلف علوم کامپیوتری و چشم اندازهای گوناگون، نظیر معماری های سخت افزاری، شبکه های معماری نرم افزار و حتی فناوری های I/O (همانند ذخیره سازی) مورد بررسی و مطالعه قرار گرفته است. بحث پیرامون اجزای مختلفی که در تعامل با مجموع انرژی مصرفی در محیط های ابری می باشد و چگونگی مخاطب قرار دادن آنها در چنین مواردی را می توان در مرجع [۹] یافت. با این وجود، مرتبط ترین راه حل ها و یکی از مواردی که از رابطه بینابینی تنگاتنگی با چنین موضوعی برخوردار می باشد در بخش جاری مورد بررسی قرار خواهند گرفت. بسیاری از الگوریتم ها و پروتکل های مسیریابی کارایی انرژی در مباحث مطرح شده، نظیر مرجع [۱۰ ـ۱۲] پیشنهاد شده اند، که در حقیقت می توان آنها را به دو دسته اصلی تقسیم نمود: (۱) الگوریتم های مسیریابی با حداقل انرژی [۱۰]، و (۲) الگوریتم های مسیریابی با قابلیت به حداکثر رسانی چرخه زمانی شبکه [۱۱، ۱۲]. اولین مورد سعی در یافتن مسیری می نماید که از بیشترین کارایی انرژی در ارتباط با انتقال پاکت های داده از فرستنده به گیرنده برخوردار باشد. در عین حال، الگوریتم دیگر سعی در ایجاد تراز در خصوص نیروی باقیمانده باتری در هر کدام از گره های واسطه ای می نماید.

GreeDi مسیریابی داده بزرگ فضای ابری

۴- مدل پیشنهادی: قواعد و اصول

از آنجایی که تحقیق قبلی بر روی چگونگی حاصل آوردن مراکز داده سبز تمرکز داشت، چنین موردی به ما در خصوص بکارگیری فرضیه ذیل در مبحث جاری کمک می نماید:

تقریباً n مرکز داده سبز وجود دارند که با استفاده از آنها یک ماشین کاربر i می تواند به اینترنت متصل گردیده تا قابلیت تکمیل وظایف خود را داشته باشد.

بنابراین، یکی از این مراکز موجود داده مورد استفاده قرار می گیرد، که از طریق آن می توان نسبت به دسترسی به مسیری اقدام کرد که از کارآمدترین ویژگی در ارتباط با انرژی برخوردار می باشد. به عبارت دیگر، در بین مسیرهای متعدد به یک مرکز داده سبز، کارآمدترین مسیر انرژی به وسیله چارچوب جدید انتخاب خواهد شد.

۴ـ۱٫ مدل سازی مصرف نیروی شبکه

مدل سازی مصرف نیرو شبکه ابری به عنوان بخش الزامی از این تحقیق به شمار می آید، چرا که چنین موردی را می توان به عنوان مبنایی به شمار آورد که بقیه مقالات و دیگر محاسبات و الگوریتم های پیشنهاد شده در چنین مبحثی بر مبنای آن عمل خواهند نمود. بر حسب مراجع [۲۷ ـ ۳۰]، یکی از گسترده ترین روش های پذیرفته شده برای مدل سازی مصرف نیروی زیر ساختارهای شبکه توزیعی گسترده، نظیر شبکه ابری، بر مبنای تجهیزات ارتباطاتی از راه دور و ویژگی های تاریخی در خصوص فروش آنها (یعنی با شناختن مقدار و نوع تجهیزات شبکه، مصرف انرژی این تجهیزات را می توان به راحتی و آسانی محاسبه نمود) می باشد. با این وجود، این رویکرد به تنهایی قابلیت مشخص سازی ساختار حقیقی شبکه را نخواهد داشت. به هنگامی که چنین ساختاری به خوبی شناخته شود، اجزای ضروری را می توان مشخص ساخت و مصرف انرژی را بر این مبنا می توان به خوبی محاسبه نمود.

۴ـ۲٫ مدل سازی اتصال کاربر به مرکز داده

اتصال بین یک ماشین کاربر i و مرکز داده DC_i، از طریق الگوریتم پیشنهادی بر مبنای ساختار ابری عمومی نشان داده شده در شکل ۱ فوق و همچنین مرجع [۳۴] می باشد، که در مقاله جاری به صورت یک نمودار نشان داده خواهد شد. بنابراین، بین هر ماشین i و مرکز DC_i، ما در نظر می گیریم که دارای یک نمودار میان اتصالی  می باشیم.

که در آن V_i ارائه دهنده لیستی از گره های موجود بین هر یک از ماشین های i و مرکز DC_i است، و  نیز بیان کننده انواع گره ها می باشد، که شامل شش نوع مختلف گره ها خواهد بود. بنابراین، همانگونه که در شکل ۱ نشان داده شده است، هر گره v، که در آن v Î Vⁱ نیز در نظر خواهد بود می تواند به صورت ذیل باشد: یک سوئیچ اترنت (T(v) = 0)، یک مسیریاب گیت وی پهن باند (T(v) = 1)، یک مسیریاب گیت وی مرکز داده (T(v) = 2)، یک روتر لبه فراهم آورنده خدمات (T(v) = 3)، یک روتر هسته (T(v) = 4)، و یک دستگاه WDM با قابلیت ارائه لینک ها و تجهیزات انتقال اطلاعات (T(v) = 5)، تا از این طریق قابلیت اتصال روترهای هسته، به عنوان بخشی از اترنت عمومی، وجود داشته باشد.

۴ـ۳٫ تحلیل رسمی توپولوژی شبکه

در تحلیل اولیه، این شبکه کاملاً توزیع شده تلقی شده و الزاماً دارای اطلاعات کلی در زمینه حالت خود نمی باشد. بنابراین لازم است تا قابلیت بکارگیری یک فرمول جهت تعریف حالت منطقی شبکه کاربر را داشته باشیم که متکی به ویژگی حالت بیان شده صریح نمی باشد. به همین منظور، محاسبه موقعیت ها یا وضعیت های ارائه شده در مرجع [۳۵] را در نظر می گیریم که در آن یک موقعیت به عنوان تاریخچه ای از عملکردهای قبلی تلقی شده و موقعیت دیگر، s، به یک موقعیت متفاوت دیگر، do(a, s)، از طریق بکارگیری عمل a در موقعیت s تبدیل می شود. حالت منطقی این سیستم متعاقباً از شرایط اولیه یعنی اصل های اثر، قاب و شرط تعیین خواهد شد. همانگونه که در مرجع [۳۵] تشریح شد، مسئله قاب را می توان با استفاده از ترکیب اصل های قاب و اثر به اصل های حالت متعاقب آن حاصل آورد. بنابراین، برازندگی یک گره v Î Vⁱ در شبکه i کاربران را می توان بر مبنای مورد ذیل بیان داشت:

۴ـ۴٫ انرژی مورد نیاز برای انتقال

برای آنکه هر یک از کارهای کاربران را بتوان پردازش نمود، ما در نظر می گیریم که دارای مورد ذیل هستیم: مقدار فلاپ هایی که مورد نیاز w_u می باشد. مقدار بیت های ورودی in_u جهت پردازش، و مقدار بیت های خروجی ou_u که می بایست بازگردانده شوند.

بنابراین، در صورتی که به انرژی ET_send(i) برای ارسال یک بیت از کاربر به مرکز داده و ET_recv(i) برای ارسال معکوس نیاز داشته باشیم، مجموع هزینه انتقال انرژی مورد نیاز برای پردازش J_u برابر است با: in_u.ET_send(i) + ou_u.ET_recv(i) جهت مدل سازی ET_send(i) و ET_recv(i)، ما در نظر می گیریم که داده های ارسالی از یک ماشین کاربر به یک مرکز داده غالباً بر روی مسیری ارسال می شود که رله کننده دو نقطه اتصال (کوتاهترین مسیر) است. در ارتباط با کاربرد فرمول های پیشنهادی در مرجع [۳۴]، انرژی مورد نیاز برای ارسال یک بیت از یک کاربر به یک مرکز دیتا برابر است با:

۴ـ۵٫ زمان مورد نیاز برای انتقال

ما یک مدل ارتباطاتی ساده را در نظر می گیریم، یعنی ذخیره سازی و ارسال به جلو، که در آن هر گره به انتظار دریافت کامل داده ها قبل از پردازش آن خواهد ماند. زمان تقریبی مورد نیاز برای ارسال بیت های a بر روی لینک  برابر با مورد ذیل خواهد بود:

که در آن همانگونه که در بخش ۴ـ۲ ذکر شد Lⁱ : Eⁱ ® N مشخص کننده تأخیر بین گره های متصل شده e Î Eⁱ به شمار آمده و Bⁱ معرف پهنای باند می باشد. ایده مرتبط با این موضوع آن است که یا آنکه پهنای باند می تواند حاوی بیت های ارسالی باشد، یا آنکه ما می بایست قابلیت تقسیم داده ها جهت ارسال آنها در بلوک های مختلف بر مبنای پهنای باند را داشته باشیم. در نهایت، ما در نظر می گیریم که مسیر های pth_p و pth_p¢ Î Pth برای ارسال داده های کاربر در هر دو مسیر بکار گرفته شده اند. بنابراین، کل زمان مورد نیاز برای انتقال یا ارسال یک وظیفه Job J_u در هر دو مسیر مساوی با مورد ذیل خواهد بود:

۴ـ۶٫ انرژی و زمان مورد نیاز برای محاسبه

ما در نظر می گیریم که هر وظیفه J_u به وسیله یک ماشین واحد در مرکز داده ها مورد پردازش قرار می گیرد. به علاوه ما این فرض را مطرح می نماییم که هر مرکز داده DC_i متشکل از مجموعه مشخصی از ماشین های همگنی می باشد که برای پردازش یک فلاپ می بایست اقدام به مصرف EP(i) نماید. بنابراین، برای پردازش یک وظیفه J_u، مرکز داده DC_i مصرف w_u · EP(i) را خواهد داشت.

GreeDi مسیریابی داده بزرگ فضای ابری

۵- رویکرد مدل سازی

۵ـ۱٫ فرمول بندی برنامه نویسی خطی

برای پردازش وظایف کاربران، الگوریتم GreeDi پیشنهادی بکار گرفته خواهد شد، که قابلیت مسیردهی وظایف کاربران به سمت مراکز داده ای توصیف شده سبز از طریق کارآمدترین مسیر از نظر انرژی را خواهد داشت تا آنکه قابلیت به حداقل رسانی مصرف انرژی و همچنین زمان پاسخ سرویس (SRT) به وجود آید. با این وجود، چنین موردی سبب ایجاد مشکل محاسباتی ذیل می گردد که می بایست قابلیت حل آن را داشت: در اینجا با m وظیفه کاربر، J₁,…, J_m، رو به رو هستیم که می بایست قابلیت ارائه آن به گیت وی مربوطه را داشته باشیم. این گیت وی که می توان آن را در این مبحث به عنوان یک ماشین سرور در نظر گرفت به هر مرکز داده DC_i از طریق گراف G_i متصل شده است. هر وظیفه کاربر با یک فایل مرتبط ارسال خواهد شد که قابلیت شامل سازی ضروریات SLA غیرکاربردی نظیر زمان پاسخ حداکثری را خواهد داشت که کاربر برای پردازش وظیفه یا درخواست خود انتظار دارد. در نهایت، هر مرکز داده DC_i در ارتباط با یک ظرفیت خاص q_i می باشد که بر مبنای آن اقدام به آغاز تعداد حداکثری از وظایفی خواهد نمود که الگوریتم GreeDi به آن ارسال داشته است. این پارامتر منوط به ویژگی های مذاکره شده بین چارچوب مرتبط و فراهم آورنده خدمات ابری می باشد. همانگونه که مشاهده خواهیم نمود، q_i برای اطمینان از یک زمان پاسخ حداقلی در ارتباط با اجرای درخواست های کاربران مهم تلقی می شود. گیت وی این چارچوب می بایست قابلیت انتخاب هر J_u مرکز داده را داشته باشد آن هم به گونه ای که: بتوان نسبت به بحداقل رسانی مجموع انرژی مصرفی اقدام نمود (هم در ارتباط با انتقال اطلاعات و هم پردازش آن، همانگونه که قبلاً مورد بحث قرار گرفته است)، و در عین حال این اطمینان را بدهد که پردازش داده ها در خلال یک زمان پاسخ حداقلی مشخص شده بر حسب فایل مورد نظر کاربر اعمال خواهد شد. برای فرمول بندی برنامه نویسی خطی، ما یک متغیر تصمیم x(i, u) Î ۰, ۱ را در نظر می گیریم که مشخص کننده آن خواهد بود که آیا وظیفه J_u قابلیت پردازش بر روی مرکز داده DC_i را خواهد داشت یا خیر. بر این مبنا اجازه دهید تا اقدام به مشخص سازی زمان پاسخ حداکثری سرویس برای پردازش وظیفه J_u (همانگونه که در فایل مقصد کاربر مشخص شده است)، با استفاده از MSRT_u، را داشته باشیم. بنابراین، این مسئله را می توان به عنوان برنامه خطی عددی صحیح ترکیبی ذیل ارائه داد:

۵ـ۲٫ فرمول بندی برنامه نویسی هدف

برای هر وظیفه J_u ما نسبت به معرفی دو متغیر انحراف واقعی  و  اقدام نمودیم. یک وظیفه J_u را می توان صرفاً در صورتی بر روی مرکز داده ای DC_i قرار داد:

۵ـ۳٫ رویکرد برنامه نویسی دینامیکی

در این راه حل ما یک آرایه دو بعدی Z Î R^{n ´ m} را حاصل می آوریم. هر Z(i, l) متناظر با یک وظیفه تخصیص یافته J₁,… J_l−۱ برای مراکز داده می باشد که در آن J_l مرتبط با مرکز داده DC_i خواهد بود. در شروع این الگوریتم، ما اقدام به محاسبه مورد ذیل خواهیم نمود:

GreeDi مسیریابی داده بزرگ فضای ابری

۶- ارزیابی

سناریو ارائه شده در این بخش به دنبال نشان دادن این موضوع می باشد که چگونه مجموع انتقال انرژی منجر به هدایت درخواست یک کاربر به سمت یک مرکز داده سبز مشخص شده می گردد. ذیلاً، ما در ابتدا توپولوژی فیزیکی شبکه بکار گرفته شده برای ارزیابی کارایی انرژی را ارائه می نماییم و متعاقباً جزئیات انواع گره ها در هر مسیر در توپولوژی عرضه شده را بررسی نموده و در نهایت اقدام به محاسبه مصرف انرژی و مقایسه آن با نتایج نهایی خواهیم کرد.

۶ـ۱٫ توپولوژی فیزیکی

توپولوژی شبکه که ما از آن استفاده نمودیم قابلیت استفاده از طراحی سلسله مراتبی را خواهد داشت که به صورت فیزیکی به وسیله یک فراهم آورنده خدمات اینترنتی در ایتالیا مورد استفاده قرار گرفته است [۴۰]. چهار سطح گره ها ارائه شده در این توپولوژی عبارتند از: گره هسته، گره بکبون، گره مترو و گره دسترسی. در عین حال سطح بالا معرف گره های هسته خواهد بود. گره های هسته در امتداد آنچه تحت عنوان نقاط حضور مرکزی (POPs) نامیده می شوند توزیع گردیده اند، که عمدتاً در سایت های بزرگ قرار گرفته اند. هر کدام از این POP های مرکزی دارای جفتی از گره های هسته ای می باشند. گره های هسته در هر POP مرکزی به یکدیگر متصل بوده، و همچنین به گره های هسته در سایت های مجاور نیز غالباً با استفاده از دو لینک برای محافظت از بروز مشکل متصل گردیده اند. یک مسیریاب یا روتر پیرینگ داخلی با ظرفیت بالا به گره های هسته متصل گردیده تا قابلیت اتصال به اینترنت را فراهم آورد. با توجه به این موضوع، جهت اتصال به اینترنت، می توان از تعدادی از گره های هسته عرضی استفاده نمود تا از این طریق و با کاربرد POP مرکزی قابلیت اتصال اینترنتی را به وجود آوریم.

۶ـ۲٫ ارزیابی انرژی و نتایج

در این سناریو، سه مسیر استاندارد وجود دارند که به یک مرکز داده ابری سبز منتهی می شوند. این سه مسیر دارای ساختار مختلفی بر حسب تعداد گره ها، توان و ظرفیت، وابستگی به Chief POP و POP مرکزی، می باشند که مشخصات آنها به شرح ذیل ارائه گردیده است:

GreeDi مسیریابی داده بزرگ فضای ابری

۷- نتیجه گیری

کارایی انرژی به عنوان یک اولویت بالا در ارتباط با اهداف محیط زیستی شبکه ابری به شمار می آید، که شامل پایداری مراکز داده نیز می باشد. از آنجایی که مراکز داده بیشترین مقدار انرژی را در کل شبکه ابری مصرف می نمایند، چنین موردی با وسعت و گستردگی مورد بررسی قرار گرفته و راه حل هایی قبلاً به منظور حاصل آوردن مراکز داده سبز ارائه گردیده و پیاده سازی شده اند. این مقاله در تعامل با کارایی انرژی مسیریابی ابری، به جای میزان مصرف انرژی مراکز داده، می باشد و نسبت به ارائه و ارزیابی چارچوب مسیریابی کارآمد انرژی جدیدی تحت عنوان GreeDi اقدام می نماید. یک تحلیل رسمی قابلیت اتصال شبکه ابری از طریق محاسبه موقعیت انجام شده است. الگوریتم GreeDi با استفاده از توپولوژی ISP ایتالیایی مورد ارزیابی قرار گرفته است که دارای سه مسیر مختلف به مرکز داده ابری سبز می باشد. از نتایج این مثال که در مقاله جاری نشان داده شده است می توان استنباط نمود که رویکرد کوتاهترین مسیر متفاوت از رویکرد کارایی انرژی می باشد و بنابراین مسیر کارایی انرژی جهت تطابق با اهداف محیطی برگزیده شده است. همانند شبکه های دیگر، خرابی گره ها ممکن است در هر زمان به هنگام انجام فرآیندهای ارسال و دریافت داده ها روی دهد، که می تواند منجر به بروز میزان مصرف متفاوت انرژی و نیرو شود. بنابراین، تعداد گره های میانی، قابلیت و مصرف نیروی هر گره بین کاربر و مرکز داده ابری دارای تأثیر مستقیمی بر روی ET_send و ET_recv می باشد، همانگونه که در نتایج تجربی نشان داده شده است. نتایج حاصله از بخش ارزیابی در این مقاله مؤکد آن است که تصمیم در خصوص این موضوع که کدام مسیر به عنوان کارآمدترین مسیر انرژی می باشد را صرفاً می توان پس از انجام عملیات موفق ارسال و دریافت داده ها مشخص ساخت تا از این روند اطمینان حاصل شود تا محاسبه بر مبنای گره های طی شده استوار باشد.

تحقیقات آتی در این زمینه شامل تحلیل و به حساب آوردن زمان ضروری برای انتقال داده ها و انرژی و زمان مور نیاز برای محاسبه، بین مراکز داده و کاربران، و بین مراکز داده ها و خود آنها می باشد، تا آنکه قابلیت مشخص سازی و ارزیابی این موضوع وجود داشته باشد که چگونه الگوریتم پیشنهادی بر حسب محاسبه مؤلفه های مصرف انرژی عمل می نماید.