Ruzicka Indexive Throttled Deep Neural Learning for Resource-Efficient Load Balancing in a Cloud Environment

封面

如何引用文章

全文:

详细

Cloud Computing (CC) is a prominent technology that permits users as well as organizations to access services based on their requirements. This computing method presents storage, deployment platforms, as well as suitable access to web services over the internet. Load balancing is a crucial factor for optimizing computing and storage. It aims to dispense workload across every virtual machine in a reasonable manner. Several load balancing techniques have been conventionally developed and are available in the literature. However, achieving efficient load balancing with minimal makespan and improved throughput remains a challenging issue. To enhance load balancing efficiency, a novel technique called Ruzicka Indexive Throttle Load Balanced Deep Neural Learning (RITLBDNL) is designed. The primary objective of RITLBDNL is to enhance throughput and minimize the makespan in the cloud. In the RITLBDNL technique, a deep neural learning model contains one input layer, two hidden layers, as well as one output layer to enhance load balancing performance. In the input layer, the number of cloud user tasks is collected and sent to hidden layer 1. In that layer, the load balancer in the cloud server analyzes the virtual machine resource status depending on energy, bandwidth, memory, and CPU using the Ruzicka Similarity Index. Then, it is classified VMs as overloaded, less loaded, or balanced. The analysis results are then transmitted to hidden layer 2, where Throttled Load Balancing is performed to dispense the workload of weighty loaded virtual machines to minimum loaded ones. The cloud server efficiently balances the workload between the virtual machines in higher throughput and lower response time and makespan for handling a huge number of incoming tasks. To evaluate experiments, the proposed technique is compared with other existing load balancing methods. The result shows that the proposed RITLBDNL provides better performance of higher load balancing efficiency of 7%, throughput of 46% lesser makespan of 41%, and response time of 28% than compared to conventional methods.

作者简介

M. Ellakkiya

Cauvery College For Women (Autonomous)

编辑信件的主要联系方式.
Email: ellakkiya.researchscholar@gmail.com
- -

T. Ravi

Jamal Mohamed College (Autonomous), Tiruchirappalli, Affiliated to Bharathidasan University

Email: proftnravi@gmail.com
Race Course Road, Khajamalai 36/2

S. Panneer Arokiaraj

Thanthai Periyar Government Arts and Science College (Autonomous), Affiliated to Bharathidasan University

Email: drpancs@gmail.com
Race Course Road, Khajamalai 36/2

参考

  1. Mahmoud H., Thabet M., Khafagy M., Omara F. Multiobjective task scheduling in cloud environment using decision tree algorithm. IEEE Access. 2022. vol. 10. pp. 36140–36151.
  2. Kumar K. P2BED-C: a novel peer to peer load balancing and energy efficient technique for data-centers over cloud. Wireless Personal Communications. 2022. vol. 123(1). pp. 311–324.
  3. Lahande P., Kaveri P., Saini J., Kotecha K., Alfarhood S. Reinforcement Learning approach for optimizing Cloud Resource Utilization with Load Balancing. IEEE Access. 2023. vol. 11. pp. 127567–127577.
  4. Nabi S., Ibrahim M., Jimenez J. DRALBA: Dynamic and resource aware load balanced scheduling approach for cloud computing. IEEE Access. 2021. vol. 9. pp. 61283–61297.
  5. Sohani M., Jain S. A predictive priority-based dynamic resource provisioning scheme with load balancing in heterogeneous cloud computing. IEEE access. 2021. vol. 9. pp. 62653–62664.
  6. Kaviarasan R., Balamurugan G., Kalaiyarasan R. Effective load balancing approach in cloud computing using Inspired Lion Optimization Algorithm. e-Prime-Advances in Electrical Engineering, Electronics and Energy. 2023. vol. 6. doi: 10.1016/j.prime.2023.100326.
  7. Adil M., Nabi S., Aleem M., Diaz V., Lin J. CA‐MLBS: content‐aware machine learning based load balancing scheduler in the cloud environment. Expert Systems. 2023. vol. 40(4). doi: 10.1111/exsy.13150.
  8. Muthusamy A., Dhanaraj R. Dynamic Q-Learning-Based Optimized Load Balancing Technique in Cloud. Mobile Information Systems. 2023. vol. 2023(1). doi: 10.1155/2023/7250267.
  9. Kruekaew B., Kimpan W. Multi-objective task scheduling optimization for load balancing in cloud computing environment using hybrid artificial bee colony algorithm with reinforcement learning. IEEE Access. 2022. vol. 10. pp. 17803–17818.
  10. Mapetu J., Kong L., Chen Z. A dynamic VM consolidation approach based on load balancing using Pearson correlation in cloud computing. The Journal of Supercomputing. 2021. vol. 77(6). pp. 5840–5881.
  11. Saroit I., Tarek D. LBCC-Hung: A load balancing protocol for cloud computing based on Hungarian method. Egyptian Informatics Journal. 2023. vol. 24(3). doi: 10.1016/j.eij.2023.100387.
  12. Ashawa M., Douglas O., Osamor J., Jackie R. Retracted Article: Improving cloud efficiency through optimized resource allocation technique for load balancing using LSTM machine learning algorithm. Journal of Cloud Computing. 2022. vol. 11(1). doi: 10.1186/s13677-022-00362-x.
  13. Annie Poornima Princess G., Radhamani A. A hybrid meta-heuristic for optimal load balancing in cloud computing. Journal of grid computing. 2021. vol. 19(2). doi: 10.1007/s10723-021-09560-4.
  14. Mekonnen D., Megersa A., Sharma R., Sharma D. Designing a Component-Based Throttled Load Balancing Algorithm for Cloud Data Centers. Mathematical Problems in Engineering. 2022. vol. 2022(1). doi: 10.1155/2022/4640443.
  15. Haidri R., Alam M., Shahid M., Prakash S., Sajid M. A deadline aware load balancing strategy for cloud computing. Concurrency and Computation: Practice and Experience. 2022. vol. 34(1). doi: 10.1002/cpe.6496.
  16. Pradhan A., Bisoy S., Sain M. Action-Based Load Balancing Technique in Cloud Network Using Actor-Critic-Swarm Optimization. Wireless Communications and Mobile Computing. 2022. vol. 2022(1). doi: 10.1155/2022/6456242.
  17. Udayasankaran P., Thangaraj S. Energy efficient resource utilization and load balancing in virtual machines using prediction algorithms. International Journal of Cognitive Computing in Engineering. 2023. vol. 4. pp. 127–134.
  18. Velpula P., Pamula R. EBGO: an optimal load balancing algorithm, a solution for existing tribulation to balance the load efficiently on cloud servers. Multimedia Tools and Applications. 2022. vol. 81(24). pp. 34653–34675.
  19. Johora F., Ahmed I., Shajal M., Chowdhory R. A load balancing strategy for reducing data loss risk on cloud using remodified throttled algorithm. International Journal of Electrical and Computer Engineering. 2022. vol. 12(3). pp. 3217–3225. doi: 10.11591/ijece.v12i3.
  20. Khalil M., Shah S., Taj A., Shiraz M., Alamri B., Murawwat S., Hafeez G. Renewable-aware geographical load balancing using option pricing for energy cost minimization in data centers. Processes. 2022. vol. 10(10). doi: 10.3390/pr10101983.
  21. Rajashekar K., Channakrishnaraju Gowda P., Jayachandra A. SCEHO-IPSO: A Nature-Inspired Meta Heuristic Optimization for Task-Scheduling Policy in Cloud Computing. Applied Sciences. 2023. vol. 13(19). doi: 10.3390/app131910850.
  22. Rani P., Singh P., Verma S., Ali N., Shukla P., Alhassan M. An implementation of modified blowfish technique with honey bee behavior optimization for load balancing in cloud system environment. Wireless Communications and Mobile Computing. 2022. vol. 2022. doi: 10.1155/2022/3365392.
  23. Hung L., Wu C., Tsai C., Huang H. Migration-based load balance of virtual machine servers in cloud computing by load prediction using genetic-based methods. IEEE Access. 2021. vol. 9. pp. 49760–49773.
  24. Devi K., Sumathi D., Vignesh V., Anilkumar C., Kataraki K., Balakrishnan S. CLOUD load balancing for storing the internet of things using deep load balancer with enhanced security. Measurement: Sensors. 2023. vol. 28. doi: 10.1016/j.measen.2023.100818.
  25. Adaikalaraj J., Chandrasekar C. To improve the performance on disk load balancing in a cloud environment using improved Lion optimization with min-max algorithm. Measurement: Sensors. 2023. vol. 27. doi: 10.1016/j.measen.2023.100834.

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».