An Adaptive Grey Wolf Optimizer for Energy-Aware Virtual Machine Consolidation in Sustainable Green Data Centers
تقدم هذه الورقة خوارزمية AGWO-VMC، وهي نسخة متكيفة من خوارزمية تحسين ذئب الرمادي تستخدم آلية اضمحلال التغذية الراجعة للتدرج، والترميز الاحتمالي، والبحث المحلي لتقليل استهلاك الطاقة وانتهاكات اتفاقية مستوى الخدمة (SLA) في مراكز البيانات الخضراء بشكل كبير مقارنة بالنهج الميتاهيورستية الحالية.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
تطن البنية التحتية الرقمية للعالم كل يوم بشهية هائلة وغير مرئية. فمن مكالمات الفيديو التي تربط العائلات إلى الصفقات المالية التي تحرك الأسواق، تستهلك الخوادم التي تشغل هذه الخدمات كميات مذهلة من الكهرباء. وعلى مدار العقد الماضي، نما هذا الطلب بنسبة تقارب عشرة بالمائة سنوياً، وتشير التوقعات إلى أنه بحلول عام 2030، ستلتهم مراكز البيانات ما يقرب من أربعة بالمائة من إجمالي طاقة العالم. ويُهدر جزء كبير من هذه الطاقة ليس لأن الخوادم تعمل بجهد كبير، بل لأنها تقبع في حالة خمول. ففي العديد من المراكز التشغيلية، تعمل الأجهزة المادية بجزء ضئيل فقط من قدرتها، ومع ذلك لا تزال تستهلك أكثر من نصف ذروة طاقتها لمجرد البقاء قيد التشغيل. ولحل هذه المشكلة، يستخدم المهندسون استراتيجية تسمى "تجميع الأجهزة الافتراضية". تخيل أسطولاً من شاحنات التوصيل حيث تكون بعضها نصف فارغة بينما تكون أخرى ممتلئة حتى الحافة؛ التجميع هو عملية نقل البضائع من الشاحنات نصف الفارغة إلى الشاحنات الممتلئة، ثم إطفاء المركبات الفارغة لتوفير الوقود. وفي العالم الرقمي، يعني هذا نقل المهام البرمجية من العديد من الخوادم غير المستغلة إلى عدد قليل من الخوادم المزدحمة، مما يسمح للبقية بالنوم. ومع ذلك، فإن إيجاد الطريقة المثالية لتعبئة هذه المهام يمثل لغزاً ذا تعقيد هائل، والقيام بذلك بشكل سيئ يمكن أن يؤدي إلى تباطؤ الخدمات أو فشلها.
لقد طور الباحثون معاذ خليل، وأوديلجان تورديف، وإبتسام هاوي، وتولانيدين نورموكهاميدوف، طريقة جديدة لحل لغز التعبئة هذا بكفاءة أكبر من أي وقت مضى. فقد ركزوا على نوع محدد من أدوات حل المشكلات يُعرف باسم "الخوارزمية الاستكشافية" (metaheuristic)، والتي تعمل مثل محرك بحث ذكي للترتيبات المعقدة. إحدى الأدوات الشائعة، وتسمى "محسن الذئب الرمادي" (Grey Wolf Optimizer)، تحاكي التسلسل الهرمي الاجتماعي لقطيع الذئاب لإيجج حلول جيدة. في هذا النظام، يقوم عدد قليل من "القادة" بتوجيه بقية المجموعة نحو مواقع أفضل. تستخدم النسخة القياسية من هذه الأداة جدولاً زمنياً ثابتاً لتقرير متى يتم استكشاف احتمالات جديدة ومتى يتم التركيز على تحسين الإجابة الأفضل حالياً. وقد وجد الباحثون أن هذا الجدول الزمني الثابت صارم للغاية بالنسبة لبيئة مراكز البيانات الفوضوية والمتغيرة. فعندما تتغير أحمال العمل فجأة، غالباً ما تتعثر الأداة القياسية في حل محلي، مما يؤدي إلى تفويت فرص أفضل لأنها تتوقف عن البحث مبكراً جداً.
وللتغلب على ذلك، أنشأ الفريق نسخة محسنة أطلقوا عليها اسم AGWO-VMC. فبدلاً من اتباع ساعة صارمة، يراقب نظامهم الجديد تقدم عملية البحث في الوقت الفعلي؛ حيث يقيس مدى سرعة تحسن جودة الحل. فإذا واجه البحث نقطة مسطحة حيث لا تؤدي أي تغييرات إلى تحسين النتائج، يعلم النظام بضرورة الاستمرار في الاستكشاف على نطاق واسع، رافضاً الاستقرار. ولكن إذا وجد البحث مساراً شديد الانحدار نحو حل أفضل، فإنه يضيق تركيزه فوراً لاستغلال هذا الاكتشاف. تسمح حلقة التغذية الراجعة هذه للخوارزمية بتكييف سلوكها لحظة بلحظة، والاستجابة للشكل الفعلي للمشكلة بدلاً من الاعتماد على مؤقت محدد مسبقاً. كما أضافوا تحسينين آخرين: طريقة لترجمة التحركات المستمرة للخوارزمية إلى قرارات ملموسة بشأن الخادم الذي يجب استخدامه، وفحص دوري لتبديل المهام لمعرفة ما إذا كان إعادة الترتيب البسيطة يمكن أن توفر المزيد من الطاقة.
اختبر الباحثون هذا النهج الجديد باستخدام عمليات محاكاة دقيقة لمراكز بيانات حقيقية، مستمدة من بيانات أحمال العمل من جوجل ومايكروسوفت أزور. وقد أجروا المحاكاة عبر أربعة سيناريوهات مختلفة، تتراوح من حركة المرور المستقرة والمتوقعة إلى الطفرات المفاجئة والكبيرة في الطلب. وفي كل حالة، تفوق النظام التكيفي الجديد على النسخة القياسية والطرق المنافسة الأخرى. فقد خفض إجمالي الطاقة المستهلكة من قبل الخوادم بنسبة تتراوح بين 18.5 و23.7 بالمائة مقارنة بالأداة القياسية، مع تحقيق وفورات أكبر عند مقارنته بالخوارزميات الأقدم. والأهم من ذلك، أنه حقق هذه الوفورات في الطاقة دون التضحية بجودة الخدمة؛ حيث ظل معدل انتهاكات الخدمة أقل من 1.9 بالمائة في جميع الاختبارات. كما أظهرت الدراسة أن النظام يمكنه اتخاذ هذه القرارات في أقل من 18 ثانية، وهي سرعة كافية لاستخدامه في العمليات الآنية.
أكد الفريق أن مفتاح هذا النجاح كان آلية التغذية الراجعة التكيفية نفسها. فمن خلال إزالة هذه الميزة في اختباراتهم، رأوا أن وفورات الطاقة انخفضت بشكل كبير، مما أثبت أن القدرة على "الاستماع" إلى عملية البحث كانت المحرك الأساسي للتحسين. كما قارنوا طريقتهم بنهج متطور قائم على التعلم يتطلب شهوراً من البيانات التاريخية للتدريب. وبينما قدم ذلك النهج القائم على التعلم أداءً جيداً مع الأنماط المألوفة، إلا أنه واجه صعوبة عند مواجهة تغييرات مفاجئة وغير متوقعة في حمل العمل. أما النظام التكيفي الجديد، الذي لا يتطلب أي بيانات تدريب ويتفاعل فوراً مع الظروف الحالية، فقد أثبت أنه أكثر قوة وموثوقية عبر جميع السيناريوهات. ومن خلال إصدار كود البرمجة الخاص بهم كبرمجيات مفتوحة المصدر، قدم الباحثون معياراً شفافاً للآخرين للتحقق منه والبناء عليه، مما يوفر مساراً واضحاً نحو حوسبة سحابية أكثر اخضراراً وكفاءة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.