Penerapan Fuzzy Sugeno untuk Deteksi Overload Host pada Dynamic VM Consolidation

M Naufal Adrian Pratama Putra; Chaerul Umam

doi:10.30591/jpit.v11i2.10130

Penerapan Fuzzy Sugeno untuk Deteksi Overload Host pada Dynamic VM Consolidation

M Naufal Adrian Pratama Putra, Chaerul Umam

Abstract

Perkembangan Cloud Computing mendorong pembangunan data center berskala besar yang terdiri dari ribuan host fisik dan mengakibatkan peningkatan konsumsi energi listrik secara signifikan. Tingginya konsumsi energi ini berdampak langsung pada biaya operasional dan efisiensi lingkungan, sehingga diperlukan strategi manajemen sumber daya yang lebih adaptif dan hemat energi. Dynamic Virtual Machine (VM) consolidation merupakan salah satu pendekatan efektif untuk mengurangi pemborosan energi dengan cara memigrasikan VM. Proses ini melibatkan beberapa tahapan penting, salah satunya adalah host overload detection yang berperan menentukan kapan sebuah host berada pada kondisi kelebihan beban. Penelitian ini mengusulkan penggunaan metode Fuzzy Sugeno sebagai mekanisme deteksi host overload untuk menangani ketidakpastian dan fluktuasi beban kerja pada lingkungan cloud. Metode yang diusulkan diuji melalui simulasi menggunakan CloudSim versi 7 dengan workload PlanetLab. Evaluasi dilakukan dengan membandingkan konsumsi energi, jumlah migrasi VM, pelanggaran SLA, dan degradasi performa terhadap metode deteksi bawaan CloudSim. Hasil pengujian menunjukkan bahwa metode Fuzzy Sugeno mampu meningkatkan efisiensi energi data center secara signifikan dibandingkan metode pembanding, meskipun menghasilkan peningkatan frekuensi migrasi VM dan pelanggaran SLA. Temuan ini menunjukkan adanya trade-off antara efisiensi energi dan kualitas layanan, sehingga metode Fuzzy Sugeno lebih sesuai untuk skenario data center yang memprioritaskan penghematan energi.

Keywords

Cloud Computing, CloudSim, Dynamic VM Consolidation, Efisiensi Energi, Fuzzy Sugeno, Host Overload Detection

Full Text:

References

A. Beloglazov, J. Abawajy, and R. Buyya, “Energy-aware resource allocation heuristics for efficient management of data centers for Cloud computing,” Futur. Gener. Comput. Syst., vol. 28, no. 5, pp. 755–768, 2012, doi: 10.1016/j.future.2011.04.017.

R. Dhaya et al., “Energy-Efficient Resource Allocation and Migration in Private Cloud Data Centre,” Wirel. Commun. Mob. Comput., vol. 2022, 2022, doi: 10.1155/2022/3174716.

A. Beloglazov and R. Buyya, “Optimal online deterministic algorithms and adaptive heuristics for energy and performance efficient dynamic consolidation of virtual machines in Cloud data centers,” Concurr. Comput. Pract. Exp., vol. 24, no. 13, pp. 1397–1420, 2012, doi: 10.1002/cpe.1867.

Q. Zhou et al., “Energy Efficient Algorithms based on VM Consolidation for Cloud Computing: Comparisons and Evaluations,” Proc. - 20th IEEE/ACM Int. Symp. Clust. Cloud Internet Comput. CCGRID 2020, pp. 489–498, 2020, doi: 10.1109/CCGrid49817.2020.00-44.

A. Katal, S. Dahiya, and T. Choudhury, Energy efficiency in cloud computing data centers: a survey on software technologies, vol. 26, no. 3. Springer US, 2023. doi: 10.1007/s10586-022-03713-0.

A. Fadil, “Strategi Efisiensi Energi dan Penyeimbangan Beban Kerja Layanan Cloud Computing Melalui Konsolidasi Mesin Virtual Dinamis,” Appl. Technol. Comput. Sci. J., vol. 3, no. 1, pp. 1–12, 2020, doi: 10.33086/atcsj.v3i1.1680.

S. Manikandan, E. Elakiya, K. C. Rajheshwari, and K. Sivakumar, “Efficient energy consumption in hybrid cloud environment using adaptive backtracking virtual machine consolidation,” Sci. Rep., vol. 14, no. 1, pp. 1–8, 2024, doi: 10.1038/s41598-024-72459-z.

C. Umam and G. F. Shidik, “Host Overloading Detection pada Dynamic VM Consolidation Menggunakan Fuzzy Mamdani,” Creat. Inf. Technol. J., vol. 4, no. 2, p. 94, 2018, doi: 10.24076/citec.2017v4i2.101.

S. Kulshrestha and S. Patel, “An efficient host overload detection algorithm for cloud data center based on exponential weighted moving average,” Int. J. Commun. Syst., vol. 34, no. 4, pp. 1–30, 2021, doi: 10.1002/dac.4708.

A. A. El-Moursy, A. Abdelsamea, R. Kamran, and M. Saad, “Multi-Dimensional Regression Host Utilization algorithm (MDRHU) for Host Overload Detection in Cloud Computing,” J. Cloud Comput., vol. 8, no. 1, 2019, doi: 10.1186/s13677-019-0130-2.

N. Baskaran and R. Eswari, “An efficient threshold-fuzzy-based algorithm for VM consolidation in cloud datacenter,” Int. J. Grid High Perform. Comput., vol. 13, no. 1, pp. 18–46, 2021, doi: 10.4018/IJGHPC.2021010102.

A. Choudhary, M. C. Govil, G. Singh, L. K. Awasthi, and E. S. Pilli, “Energy-efficient fuzzy-based approach for dynamic virtual machine consolidation,” Int. J. Grid Util. Comput., vol. 10, no. 4, pp. 308–325, 2019, doi: 10.1504/IJGUC.2019.100863.

R. Andreoli, J. Zhao, T. Cucinotta, and R. Buyya, “CloudSim 7G: An Integrated Toolkit for Modeling and Simulation of Future Generation Cloud Computing Environments,” pp. 1–18, 2024, doi: 10.1002/spe.3413.

J. Byrne et al., “A review of cloud computing simulation platforms & related environments,” CLOSER 2017 - Proc. 7th Int. Conf. Cloud Comput. Serv. Sci., no. Closer, pp. 651–663, 2017, doi: 10.5220/0006373006790691.

C. Anglano, M. Canonico, and M. Guazzone, “FCMS: A fuzzy controller for CPU and memory consolidation under SLA constraints,” Concurr. Comput. Pract. Exp., vol. 29, no. 5, pp. 1–17, 2017, doi: 10.1002/cpe.3968.

M. A. H. Monil and R. M. Rahman, “VM consolidation approach based on heuristics fuzzy logic, and migration control,” J. Cloud Comput., vol. 5, no. 1, 2016, doi: 10.1186/s13677-016-0059-7.

C. Vijaya and P. Srinivasan, “A Hybrid Technique for Server Consolidation in Cloud Computing Environment,” Cybern. Inf. Technol., vol. 20, no. 1, pp. 36–52, 2020, doi: 10.2478/cait-2020-0003.

DOI: https://doi.org/10.30591/jpit.v11i2.10130