common.openJournalSystems

Perbaikan Mekanisme Load Balancing Untuk Komputasi Klaster Pada Kondisi Dinamis

Mohammad Zarkasi

Abstract

Salah satu permasalahan yang sering terjadi pada lingkungan komputasi klaster adalah terjadinya beban yang tidak seimbang yang dapat menurunkan Quality of Service (QoS). Oleh sebab itu, dibutuhkan metode load balancing yang handal dalam pendistribusian beban. Pada beberapa kasus, metode load balancing dinamis gagal berperan sebagai metode load balancing yang optimal jika lingkungan implementasi tidak sesuai dengan lingkungan yang diasumsikan saat metode tersebut dikembangkan. Dalam penelitian ini diusulkan metode load balancing adaptif dengan menggunakan algoritma reinforcement learning (RL) yang mampu beradaptasi terhadap perubahan lingkungan. Hasil pengujian menunjukkan bahwa kinerja dari metode load balancing yang diusulkan lebih efisien dibandingkan dengan metode load balancing dinamis baik pada kondisi lingkungan tidak mengalami beban dengan peningkatan total waktu eksekusi sebesar 45% maupun pada saat lingkungan mengalami beban yang tidak seimbang dengan peningkatan waktu eksekusi sebesar 21%.

Keywords

job, load balancing adaptif, load balancing dinamis, task, waktu eksekusi

Full Text:

PDF

References

F. Berman, R. Wolski, S. Figueira and G. Schopf, "Application-Level Scheduling on Distributed Heterogeneous Networks," in Proceedings of the 1996 ACM/IEEE Conference on Supercomputing, Pittsburgh, 1996.

P. Mohammadpour, M. Sharifi and A. Paikan, "A Self-Training Algorithm for Load Balancing in Cluster Computing," in 2008 Fourth International Conference on Networked Computing and Advanced Information Management, 2008.

D. P. Mahato, A. K. Maurya, A. K. Tripathi and R. S. Singh, "Dynamic and adaptive load balancing in transaction oriented grid service," in 2016 2nd International Conference on Green High Performance Computing (ICGHPC), 2016.

J. Wu, X. Xu, P. Zhang and C. Liu, "A novel multi-agent reinforcement learning approach for job scheduling in Grid computing," Future Generation Computer Systems, vol. 27, no. 5, pp. 430-439, 2011.

R. S. Sutton and A. G. Barto, Reinforcement Learning: An Introduction, Cambridge, Massachusetts: The MIT Press, 2012.

A. Tchernykh, J. M. Corts-Mendoza, J. E. Pecero, P. Bouvry and D. Kliazovich, "Adaptive Energy Efficient Distributed VoIP Load Balancing in Federated Cloud Infrastructure," in 2014 IEEE 3rd International Conference on Cloud Networking, 2014.

S. Li, S. Zhao, X. Wang, K. Zhang and L. Li, "Adaptive and Secure Load-Balancing Routing Protocol for Service-Oriented Wireless Sensor Networks," IEEE Systems Journal, vol. 8, no. 3, pp. 858-867, 2014.

H. Desai and R. Oza, "A study of dynamic load balancing in grid environment," in 2016 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET), 2016.

Refbacks

  • There are currently no refbacks.

Indexed by:

Referencing Software:

Checked by:

Statistic:

View My Stats

ISSN: 2503-2267