Adding a dynamic load balancing based on a static method in cloud via OpenStack

Lame, Neda (2023). Adding a dynamic load balancing based on a static method in cloud via OpenStack. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

Prévisualisation

PDF Télécharger (5MB) | Prévisualisation

Résumé

With emerging Cloud computing technology over the Internet, accessing shared computing resources at low cost by consumers is increasing. Due to the massive demand for online services, load balancing is essential to optimize resource utilization and prevent overloading or underloading resulting from operating system updates, task operating time, server failure on the providers, and system failure due to hardware issues. To address these challenges of load balancing in cloud computing, various load balancing algorithms have been studied in static and dynamic modes. Although dynamic load balancing mechanisms have been proposed with their merits and demerits, none have been deployed based on the current static methods in the OpenStack platform, which is free of cost and has a giant community. Therefore, we contribute a dynamic solution based on the static method, Weighted Round Robin, in OpenStack. Our dynamic solution is able to balance the tasks considering CPU utilization criteria. As an evaluation, we analyzed the performance of the static method and our solution as a dynamic version of the standard method. Our experimental results showed less mean processing time and better performance in our solution than the static method. As a future work, we proposed three following methods. The first is considering multiple dimensions within our solution for dynamic load balancing in OpenStack to enhance efficiency. Next is using multiple clouds in different geographical regions to balance the workload among the providers in those regions. Last is a further design of our dynamic solution based on the static method, Weighted Round Robin in OpenStack using Machine Learning, with tracking current loads, CPU, Memory, and Network to calculate the suitable weights for each backend server to balance the users’ requests. Also, scaling out the server cluster’s resources can be employed through Machine Learning to provision a new virtual machine in a hectic time to serve the clients’ requests.

Titre traduit

Ajout d’un équilibrage de charge dynamique basé sur une méthode statique dans le cloud via OpenStack

Résumé traduit

Avec l’émergence de la technologie informatique en nuage sur Internet, l’accès à l’informatique partagée ressources à bas coût par les consommateurs augmente. En raison de la demande massive de services en ligne services, l’équilibrage de charge est essentiel pour optimiser l’utilisation des ressources et éviter la surcharge ou sous-charge résultant des mises à jour du système d’exploitation, du temps d’exécution des tâches, de la panne du serveur sur les fournisseurs et une défaillance du système due à des problèmes matériels. Pour relever ces défis de l’équilibrage de charge dans le cloud computing, divers algorithmes d’équilibrage de charge ont été étudiés dans modes statique et dynamique. Bien que des mécanismes d’équilibrage de charge dynamique aient été proposés avec leurs avantages et leurs inconvénients, aucun n’a été déployé sur la base des méthodes statiques actuelles dans la plate-forme OpenStack, qui est gratuite et dispose d’une communauté géante. Par conséquent, nous apporter une solution dynamique basée sur la méthode statique, Weighted Round Robin, dans OpenStack. Notre solution dynamique est capable d’équilibrer les tâches en tenant compte des critères d’utilisation du processeur. En tant que évaluation, nous avons analysé les performances de la méthode statique et de notre solution en tant que dynamique version de la méthode standard. Nos résultats expérimentaux ont montré un temps de traitement moyen inférieur et de meilleures performances dans notre solution que la méthode statique. Comme travail futur, nous avons proposé trois méthodes suivantes. La première consiste à prendre en compte plusieurs dimensions dans notre solution pour équilibrage de charge dynamique dans OpenStack pour améliorer l’efficacité. Ensuite, utilisez plusieurs nuages dans différentes régions géographiques pour équilibrer la charge de travail entre les fournisseurs de ces régions. Le dernier est une autre conception de notre solution dynamique basée sur la méthode statique, Weighted Round Robin dans OpenStack à l’aide de Machine Learning, avec suivi des charges actuelles, du processeur, de la mémoire et Réseau pour calculer les pondérations appropriées pour chaque serveur principal afin d’équilibrer les demandes des utilisateurs. En outre, la mise à l’échelle des ressources du cluster de serveurs peut être utilisée via Machine Learning pour provisionner une nouvelle machine virtuelle dans une période mouvementée pour répondre aux demandes des clients.

Type de document:	Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires:	"Thesis presented to École de technologie supérieure in partial fulfillment of a master’s degree with thesis in IT engineering". Comprend des références bibliographiques (pages 61-64).
Mots-clés libres:	cloud computing, équilibreur de charge, équilibrage de charge, équilibrage de charge statique, équilibrage de charge dynamique, OpenStack
Directeur de mémoire/thèse:	Directeur de mémoire/thèse Kadoch, Michel
Programme:	Maîtrise en ingénierie > Génie des technologies de l'information
Date de dépôt:	18 oct. 2023 14:19
Dernière modification:	18 oct. 2023 14:19
URI:	https://espace.etsmtl.ca/id/eprint/3293

Gestion Actions (Identification requise)

Dernière vérification avant le dépôt