محاسبات مه، حوزه تحقیقاتی نوظهوری برای ارائه خدمات محاسبات ابری به لبه های شبکه است. گره های مه جریان داده و درخواست های کاربر را در زمان واقعی پردازش می کنند. به منظور بهینه سازی بهره وری منابع و زمان پاسخ و افزایش سرعت و کارایی، وظایف باید به صورت متوازن بین گره های مه توزیع شوند، لذا در این مقاله، روشی جدید جهت بهبود توازن بار در محیط محاسبات مه پیشنهاد شده است. در الگوریتم پیشنهادی، هنگامی که وظیفه ای از طریق دستگاه های موبایل برای گره مه ارسال می شود، گره مه با استفاده از یادگیری تقویتی تصمیم می گیرد که آن وظیفه را خودش پردازش کند، یا این که پردازش آن را به یکی از گره های مه همسایه یا به ابر واگذار نماید. در بخش ارزیابی نشان داده شده که الگوریتم پیشنهادی با توزیع مناسب وظایف بین گره ها، تأخیر کمتری را برای اجرای وظایف نسبت به سایر روش های مقایسه شده به دست آورده است.

در سال های اخیر، شبکه های مبتنی بر نرم افزار به منظور مدیریت ساده تر، بهینه تر و قابلیت برنامه ریزی بیش تر شبکه های کامپیوتری مطرح شده اند. این شبکه ها از جداسازی لایه کنترل از داده و متمرکز سازی بخش کنترلی بهره می برند. با توجه به رشد سریع شبکه ها، افزایش تعداد سوئیچ ها و ترافیک موجود در شبکه، معماری های توزیع شده برای بخش کنترلی با حفظ دید شبکه ای متمرکز به منظور بهبود دسترسی پذیری، تحمل پذیری خطا و قابلیت اطمینان مطرح شدند. در این نوع از معماری ها، چگونگی تخصیص سوئیچ ها به کنترل کننده ها به منظور ایجاد توازن بار بین کنترل کننده ها و درنتیجه استفاده بهینه تر از منابع شبکه از اهمیت بالایی برخوردار است. برای پاسخگویی به این چالش ها، در این مقاله به ارائه روشی توزیعی و پایدار برای توازن بار بین کنترل کننده ها می پردازیم. روش پیشنهادی اطلاعات مربوط به میزان بار هر کنترل کننده را جمع آوری نموده و در صورت تجاوز از حد آستانه و نرخ توازن بار، سوئیچی را جهت مهاجرت به کنترل کننده با کم ترین میزان بار انتخاب می نماید که منجر به بهبود توازن بار شبکه گردد و کارایی حاصل از مهاجرت نسبت به هزینه تحمیلی به شبکه بهتر باشد. روش پیشنهادی با وجود عملکرد توزیعی از مهاجرت هم زمان بار دو کنترل کننده و ناپایداری حاصل از انتقال بار به یک کنترل کننده مقصد یکسان و نیاز به توزیع بار مجدد جلوگیری می کند. نتایج ارزیابی های حاصل از پیاده سازی روش پیشنهادی نشان می دهد که این روش سبب کاهش تا حدود 70 درصد در زمان پردازش بسته های Packet-In در کنترل کننده دچار ازدحام، بهبود حدود 15 درصد در میانگین مصرف حافظه و افزایش حدود 50 درصد در توان گذردهی ترافیک کنترل کننده گشته است.

از آنجا که تقاضای کاربران و رفتار سیستم از نظر تخصیص منابع، پویا و متغیر با زمان است، بار کاری به شکل متوازن روی منابع ابر توزیع نمی شود. طراحی مکانیزم های مناسب جهت تشخیص وضعیت و توزین مناسب بار روی هر میزبان می تواند نقش موثری در بهبود کارایی سیستم و مصرف انرژی در مراکز داده ابر داشته باشد. روش های توازن بار ارائه شده به صورت واکنشی از ورود سیستم به حالت عدم توازن جلوگیری نکرده و متناسب با شرایط ایجاد شده دست به مهاجرت ماشین مجازی(VM) می زنند. در این روش ها، با ورود سیستم به حالت عدم توازن، انرژی مصرفی و همچنین زمان پاسخ کارها افزایش می یابد. همچنین در روش های توازن بار پیش دستانه، عدم دقت کافی برای تشخیص وضعیت میزبان ها، استفاده از آستانه های ثابت و همچنین مهاجرت ماشین های مجازی به میزبان ها، بدون در نظر گرفتن وضعیت کنونی و آینده آنها، احتمال پربار شدن میزبان ها و افزایش انرژی مصرفی در مراکز داده را بالا می برد. از این رو، روش پیشنهادی این مقاله، بکارگیری یک رویکرد پیش د ستانه با هدف تشخیص زودهنگام وضعیت میزبان ها است که مقدار مصرف پردازنده هر میزبان در آینده، توسط روش ماشین یادگیری افراطی (ELM) پیش بینی می شود و با استفاده از سه آستانه تطبیقی وضعیت آتی میزبان ها مشخص می شود، سپس ماشین های مجازی از میزبان های پربار و درصورت نیاز میزبان های کم بار به آن دسته از میزبان هایی انتقال پیدا می کنند که احتمال پربار شدن آنها بعد از تخصیص کمینه باشد. پیاده سازی روش پیشنهادی و ارزیابی آن روی مجموعه داده واقعی با استفاده از شبیه ساز Cloudsim نشان داده است که روش پیشنهادی در مقایسه با روش پیش دستانه و واکنشی رقیب، در انرژی مصرفی، زمان پاسخ، تعداد مهاجرت های ماشین مجازی و عدم نقض توافقنامه سطح سرویس (SLA) بهبود ایجاد کرده است.

افزایش لحظه ای کاربران و نیاز آن ها به خدمات اینترنتی باعث شد که در اندک زمانی شرکت هایی که این گونه از خدمات را ارائه می دادند با مشکلاتی نظیر عدم توانایی در پاسخگویی سریع به کاربران و افزایش هزینه هایشان روبرو شوند. از این رو بسیاری از این شرکت ها با سرمایه گذاری های فراوان در زمینه های تحقیقاتی به فکر شیوه های موثر و مقرون به صرفه، برای سرویس دهی به حجم بالایی از کاربران افتادند و به این ترتیب فناوری نوین و کارآمدی به نام رایانش ابری به وجود آمد. با افزایش کاربران استفاده کننده از خدمات رایانش ابری و لذا افزایش میزان درخواست ها، جهت دستیابی به مزایای اشاره شده، نیاز به استقرار مکانیزم های مناسبی جهت توازن بار، زمانبندی کار و مجازی سازی در رایانش ابری می باشد. این بار می تواند شامل ظرفیت حافظه، بار شبکه و یا تاخیر باشد. توازن بار فرایند توزیع بار در میان گره های مختلف یک سیستم توزیع شده جهت بهبود بهره برداری از منابع و زمان پاسخ می باشد در حالی که از وضعیتی که درآن برخی از گره ها دارای بار سنگین باشند در حالی که گره های دیگر بیکار باشند و یا کار خیلی کمی برای انجام دادن داشته باشند اجتناب می کند. با توجه به ضرورت و اهمیت توازن بار در رایانش ابری، در این مقاله به مروری جامع از الگوریتم های استاتیک، پویا و الهام گرفته از طبیعت جهت متعادل سازی بار در یک فضای ابری برای رسیدگی به زمان پاسخ دهی مراکز داده و عملکرد کلی آن ها می پردازیم. با تحلیل الگوریتم های تعادل بار نشان می دهیم که الگوریتم کلونی مورچه، الگوریتم ژنتیک و الگوریتم بهینه سازی ازدحام ذرات با تخصیص بهینه وظایف می توانند نقش مؤثرتری در متعادل-سازی بار در فضای ابری را داشته باشند. همچنین نتایج گویا این است که نرم افزار کلودسیم بیشترین کاربرد را در شبیه سازی الگوریتم های متعادل کردن بار در فضای ابری داشته است.