PERBAIKAN MIGRASI VERSAG PADA LINGKUNGAN HETEROGEN
Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 52 - 57
PERBAIKAN MIGRASI VERSAG PADA LINGKUNGAN HETEROGEN
1
2 M Misbachul Huda , Waskitho Wibisono 1,2
Jurusan Teknik Informatika, Fakultas Teknologi Informasi, Institut Teknologi Sepuluh Nopember, Surabaya, Indonesia
1
2
misbachul09@mhs.if.its.ac.id , waswib@if.its.ac.id
ABSTRAK
Salah satu masalah dalam VERSAG adalah performa migrasi yang rendah. Sebuah mobile
agent dalam VERSAG dapat terjebak untuk berpindah pada node yang memiliki sumber daya
terbatas. Migrasi mobile agent pada node yang tidak cukup akan berakibat kegagalan.Penelitian ini mengusulkan sebuah metode baru migrasi mobile agent dengan memberikan informasi dari node yang menjadi kandidat tempat migrasi. Mobile agent diberikan kecerdasan untuk memilih node berdasarkan informasi yang diberikan. Berdasarkan pengujian, mobile agent mampu melakukan migrasi pada node yang memiliki waktu respon terbaik dengan persentase 100%.
Kata Kunci: mobile agent, ketersediaan sumber daya, migrasi.
ABSTRACT
One of the problems in the mobile agent of VERSAG is a low migration performance. A
mobile agent can be stuck to switch on nodes that have limited resources. Mobile migration
agent on a node that is not enough to result in failure. This study proposes a new method of
mobile agent migration by providing information on the nodes that are candidates where
migration. Mobile agent is given the intelligence to select nodes based on the information provided. Based on experiment, the mobile agent capable to migrate to the node that has the best response time with a percentage of 100%.
Keywords: . mobile agent, resource availability, migration
dan kemampuan untuk belajar. Sebuah 1.
Pendahuluan
agent dapat memanfaatkan sumber daya
Mobile agent (MA) telah
dari lingkungan tempat dia berjalan untuk dikembangkan bertahun-tahun karena menjalankan tugas yang diberikan. Sebuah bersifat autonomous, terdistribusi, dan MA memiliki tambahan kemampuan untuk dapat berpindah. Telah banyak wilayah bermigrasi ke banyak tempat dalam penelitian yang melibatkan MA sebagai jaringan dengan menyimpan state dan solusi teknologi seperti yang dilakukan membangkitkannya pada node yang baru. Pavle Skocir pada area Game [1] Paul
Karena dapat bermigrasi, maka sebuah MA Anderson pada area Cloud Computing [2], dapat bekerja sesuai dengan kepentingan Ko Sibata pada area Robotika [3], Damir pengguna, seperti mengumpulkan informasi Šoštarić pada area Wireless Sensor atau mengirimkan permintaan.
Network (WSN)[4], dan pada area-area lain Bedasarkan disertasi Gunasekera [6] seperti komputasi terdistribusi dan adaptasi dari suatu MA dapat dibagi kecerdasan buatan. Dengan wilayah menjadi dua. Adaptasi MA dapat penggunaan yang luas, MA menjadi topik dikelompokkan menjadi dua berdasarkan yang menarik untuk diteliti. jumah MA yaitu MA tunggal dan multi-
Sebuah agent didefinisikan [5] sebagai MA. MA tunggal memiliki adaptasi belajar sebuah software yang independen yang dan konstruksi. Belajar adalah istilah yang dapat menjalankan kepentingan pengguna. digunakan untuk menunjukkan bahwa MA
Agent memiliki karakteristik kecerdasan
52
Huda,Perbaikan Migrasi VERSAG Pada Lingkungan Heterogen
mampu memilih tindakan yang sesuai dengan kondisi lingkungan. Sedangkan konstruksi adalah kemampuan MA untuk mengubah susunan behaviour yang dimiliki untuk mendapatkan behaviour atau komponen yang baru. Sedangkan multi- MA memiliki adaptasi berupa interaksi antar MA, kemampuan belajar, dan mengubah keanggotaan dengan menambah atau menghapus MA.
Penelitian ini mengusulkan sebuah metode migrasi baru dengan mengadaptasi logika belajar dari MA tunggal. Logika belajar yang digunakan adalah dengan lingkungan tempat MA berjalan. MA didesain untuk mempelajari lingkungan agar MA mendapatkan node yang terbaik untuk menjadi tempat bekerja.
MA. Gunasekera beranggapan [8] bahwa sebuah service akan lebih optimal jika yang diminta oleh client berupa behaviour untuk menjalankan kepentingan client. Umumnya ukuran behaviour lebih kecil dibandingkan dengan ukuran data. Hal ini dirasa lebih optimal dari pada mengirimkan data untuk diolah pada service konvensional.
provider sebagai penyedia behaviour bagi
VERSAG dengan membuat service provider pada tahun 2010 [8]. Secara umum sebuah service akan menyediakan atau mengolah suatu data, namun Gunasekera mengajukan service
Gunasekera melanjutkan penelitian berbasis
network traffic saat migrasi.
2. Penelitian Terkait
eksekusi, dan unload oleh MA saat
runtime . Dengan menggunakan metode
konstruksi behavior pada saat runtime, MA pada VERSAG dapat bermigrasi dari suatu
runtime . Behaviour MA yang dapat di load,
seperti itu menjadi keunggulan dibandingkan yang dilakukan MA konvensional sebab dapat mengurangi
Umumnya, MA diwujudkan sebagai sebuah thread untuk menjalankan satu atau sekumpulan tugas. Behaviour adalah sebuah objek yang merepresentasikan tugas yang dilakukan oleh MA. Gunasekera menekankan VERSAG pada optimasi MA menjadi ringan dengan membuat behaviour MA yang dapat dibangun pada saat
VERsatile Self-adaptive AGents (VERSAG) [7]. VERSAG adalah proyek disertasi yang dikerjakan oleh Gunasekera untuk menempuh pendidikan doktoral di Universitas Monash di Australia.
dikembangkan. Beberapa metodologi menghasilkan framework sebagai kerangka penelitian yang dapat dikembangkan. Salah satu framework penelitan pada MA adalah
computing , telah banyak metodologi yang
Sejak MA dikembangkan pada pervasive
Gambar 1 Contoh Kasus MA yang Tidak Memperhitungkan Sumber Daya
Anggapan Gunasekera tersebut akan terjadi jika node memiliki sumber daya yang cukup untuk menjalankan behaviour dari MA. Namun kerugian dapat terjadi ketika sebuah behaviour dari MA yang mempunyai kompleksitas yang tinggi dieksekusi pada node yang memiliki sumber daya terbatas. Hal ini dapat terjadi karena MA mampu berjalan pada sumber daya yang heterogen, mulai dari yang mempunyai sumber daya yang melimpah, sampai sumber daya yang terbatas.
Pada Gambar 1 diilustrasikan sebuah kasus MA berpindah dari DEV00 ke DEV01 untuk menjalankan behaviour A yang memiliki kompleksitas (W) 3 satuan, dan kebutuhan ruang penyimpanan (Q) sebesar 3 satuan. DEV01 merupakan perangkat sumber daya rendah yang hanya mampu mengolah W=2 dan Q=2.
Behaviour A tidak dapat dieksekusi oleh
MA pada DEV01 karena sumber daya yang tidak cukup. Dalam masalah ini
node ke node lain tanpa membawa beban behaviour yang tidak perlu. Metode yang
Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 52 - 57
node
Fase training adalah fase pembelajaran MA untuk dapat mengetahui koefisien dari masing-masing atribut dalam memberikan pengaruh terhadap waktu respon. Dalam fase training dilakukan beberapa percobaan dengan 5 variabel untuk mengetahui waktu respon dari masing-masing komputer dengan kondisi variabel yang telah ditetapkan.
Nilai atribut dari TOPSIS dipenuhi dengan nilai dari 5 atribut yang diusulkan, sedangkan koefisien yang menjelaskan koefisien yang didapat pada fase training seperti yang ditunjukkan pada Gambar 3.
dibutuhkan setidaknya dua jenis data. Data yang pertama adalah data nilai atribut dan yang kedua adalah koefisien yang menjelaskan derajat kepentingan dari nilai atribut.
Order Preference by Similarity to Ideal Solution (TOPSIS). Dalam TOPSIS
(MCDM). Teknik yang digunakan adalah Technique for
criteria decision making
Pada penelitian ini diusulkan sebuah MA yang memiliki kecerdasan untuk memilih salah satu dari beberapa node sebagai kandidat node untuk migrasi. Kemampuan memilih ini menggunakan teknik pengambilkan keputusan multiple
Sedangkan fungsi yang digunakan untuk mengambil keputusan adalah fungsi yang mampu menghasilkan perhitungan perkiraan waktu terkecil untuk dipilih sebagai node terbaik. Fungsi pengambil keputusan ini yang mampu mengarahkan MA untuk berpindah dari suatu node ke node yang lain.
5. Kecepatan pengiriman data dalam jaringan.
4. Kompleksitas dari behavior yang akan dieksekusi.
untuk memindahkan memori dari memori lambat ke memori cepat.
3. Waktu yang diperlukan oleh setiap
kemampuan MA untuk mempertimbangkan ukuran sumber daya menjadi penting.
node untuk mengeksekusi satu statemen.
2. Waktu yang diperlukan oleh setiap
1. Kesibukan node yang diindikasikan dengan derajat kesibukan CPU dan penggunaan RAM.
Gambar 2 Alur kerja Data-data atau atribut yang diperlukan dirancang sebagai berikut:
fungsi menggambil keputusan untuk memilih node terbaik. Data-data yang dibutuhkan oleh fungsi pembuat keputusan didapatkan oleh fungsi ini.
node menghasilkan data yang diolah oleh
Kemampuan belajar itu dibagi menjadi menjadi dua fungsi yaitu mendapatkan informasi dari sumber daya dan membuat keputusan seperti yang ditunjukkan pada Gambar 2. Fungsi mengoleksi informasi
beberapa alternatif tujuan dan dapat memilih tujuan yang paling baik untuk melakukan tugasnya.
pervasive computing , MA akan memiliki
Pada permasalahan yang diangkat, MA dapat mengalami kegagalan eksekusi disebabkan sumber daya yang terbatas. Hal tersebut diakibatkan oleh MA tidak memiliki pengetahuan tentang sumber daya yang dijadikan tujuan. Penelitian ini mengusulkan sebuah kemampuan belajar MA untuk dapat mengenali dan menghitung kemampuan sumber daya yang menjadi tujuannya. Dalam konsep
3. Metode
Hasil yang didapat pada fase training kemudian dilakukan analisa menggunakan regresi linier berganda untuk mendapatkan koefieisn regresi. Koefisien regresi inilah
Huda,Perbaikan Migrasi VERSAG Pada Lingkungan Heterogen
yang digunakan untuk mengisi koefisien Tabel 1 Spesifikasi computer pengujian yang menjelaskan derajat kepentingan dari
No Kode CPU RAM atribut.
CPU-M1 Intel Atom 1.5
1GB
1 GHz
2 CPU-M2 Intel Core i3 1.4
4GB GHz
3 CPU-M3 Intel Core i7 2.8
6GB Ghz
4 CPU-CL Intel Core i7 2.4
8GB Ghz
Gambar 3 Kerangka kerja MA 4.
Pengujian dan hasil
Pengujian dilakukan pada lingkungan yang nyata dengan menggunakan beberapa perangkat yang terdiri dari empat buah
Gambar 4 Topologi jaringan pengujian komputer dan sebuah router untuk menghubungkan keempat komputer dalam
Kasus yang diangkat dalam pengujian satu jaringan. ini adalah template matching dengan 1. Tiga buah komputer (CPU-M1, CPU- mengunakan algoritma SURF (Speeded-Up
M2, dan CPU-M3) yang memiliki
Robush Feature
spesifikasi yang berbeda untuk mewakili dengan menggunakan pustaka BootCV.
node yang memiliki sumber daya
Skenario pengujian melibatkan node yang rendah, sedang, dan tinggi, serta sebuah mewakili low sumber daya, medium komputer (CPU-CL) yang mewakili asal sumber daya, dan high sumber daya. Pada dari MA. Spesifikasi dari keempat Gambar 5 diilustrasikan topologi pengujian komputer dapat dilihat pada Tabel 1. yang akan digunakan. Sebuah MA akan 2. Sebuah router untuk menghubungkan dikirimkan dari CPU-CL untuk keempat komputer yang digunakan. mengeksekusi template matching pada Router ini memiliki akses wifi dan LAN. salah satu dari node CPU-M1, CPU-M2, 3. Semua komputer tersebut memiliki CPU-M3. sistem operasi yang sama yaitu
Pengujian ini digunakan untuk Windows yang telah terpasang mengetahui durasi eksekusi behavior pada
Java, dan JADE.
framework node yang terbaik menurut MA. Tujuan
4. Topologi Jaringan yang digunakan dapat dari pengujian ini adalah MA memilih node dilihat pada Gambar 4. yang mampu menyelesaikan behavior
Jurnal Inspiraton, Volume 6, Nomor 1, Juni 2016: 52 - 57
dengan waktu paling rendah. Untuk pengujian seperti yang ditunjukkan pada membuktikan kontribusi yang diusulkan Tabel 2. maka disusunlah beberapa skenario
Tabel 2. Skenario pengujian
CPU-M1 CPU-M2 CPU-M3 Data kesibukan data Kesibukan data kesibukan
1
10 Normal
10 Normal
10 Normal
2
10 Tinggi
10 Tinggi
10 Tinggi
3
50 Normal
50 Normal
50 Normal
50 Tinggi
50 Tinggi
50 Tinggi
4
5
50 Normal
50 Normal
50 Tinggi
6
50 Normal
50 Tinggi
50 Tinggi Pada pengujian ini disusun dua
Tabel 3. Hasil pengujian variable untuk menguji kemampuan dari MA dalam menentukan node terbaik. Node Pengujian Total Variabel yang pertama adalah jumlah data
Terbaik
yang akan dieksekusi. Jumlah data ini memiliki dua varian yaitu 10 dan 50.
CPU- CPU- CPU- Variable yang kedua adalah kesibukan yang merupakan derajat kesibukan dari
M1 M2 M3
node . Variable derajat kesibukan memiliki
44.5
6.9
3.5
dua varian, yaitu normal dan tinggi. Untuk membuat node mempunyai derajat
1 CPU-
M3
kesibukan yang tinggi dilakukan Stress
64.5
14.3
7.9 Test dengan menggunakan aplikasi bernama Prime95. M3 Dari hasil pengujian yang dipaparkan pada
2 CPU-
3 Tabel 3, terlihat bahwa MA mampu memilih
221.4
48.2 CPU-
3.5 node dengan waktu terbaik untuk
M3 mengeksekusi behavior. Meskipun CPU-M3 memiliki sumber daya yang paling besar,
80.5
61.6 namun pada percobaan ke 6, terlihat bahwa
4 CPU- 299.6
M3 MA lebih memilih menggunakan node dengan kode CPU-M2. Hal ini disebabkan oleh
48
61.6
5 CPU- 221.4
skenario pengujian ke-6, node dengan kode CPU-M3 mengalami kesibukan yang tinggi. M2
80.5
61.6 M3
6 CPU- 221.4
Huda,Perbaikan Migrasi VERSAG Pada Lingkungan Heterogen
5.
[6] K., 2011.
Kesimpulan Gunasekera,
Compositionally Adaptive Mobile Dari pengujian dan analisis yang telah
Sotware Agents for Pervasive dilakukan menghasilkan beberapa Environtment, Melbourne: Monash kesimpulan penelitian sebagai berikut: University.
1. Metode yang diusulkan pada penelitian
[7] Gunasekera, K., Zaslavsky, A., ini menggunakan MA dengan
Krishnaswamy, S. & Loke, S. W., kederdasan MCDM pada atribut 2008.
VERSAG: Context-Aware sumber daya untuk memililih node Adaptive Mobile agents for the dengan respon waktu terbaik terbukti Semantic Web. Turku, IEEE, pp. 521- mampu mengatasi permasalahan 522. pemilihan node eksekusi.
2. Atribut yang diusulkan terbukti mampu menjadi dasar perhitungan pengambilan keputusan pada kasus MA tunggal.
3. Metode yang diusulkan mampu memperbaiki performa migrasi pada
VERSAG 100% pada semua pengujian.
Daftar Pustaka
[1] Skocir, P., Marusic, L., Marusic, M. &
Petric, A., 2012. The MARS - A Multi- Agent Recommendation System for Games on Mobile Phone. Dubrovnik, Springer, pp. 104-112
[2] Anderson, P., Bijani, S. & Vincos, A.,
2012. Multy-Agent Negotiation of Virtual Machine Migration Using the Lightweight Coordination Calculus.
Dubrovnik, Springer, pp. 124-133. [3]
Sibata, K., Takimoto, M. & Kambayashi, Y., 2014. Expanding the Control Scope of Cooperative Multiple Robots. Chania, Springer, pp. 17-26.
[4] Šoštarić, D., Horvat, G. & Hocenski,
Power Ž., 2012. Multi-agent Management System for ZigBee Based Portable Embedded ECG Wireless Monitoring Device with LabView Application. Dubrovnik, Springer, pp.
299-308. [5]
Siddiqui, F., Zeadally, S. & Basu, K., 2012. Mobile agent System. In: Ubiquitous Multimedia and Mobile agent s Models and Implementations. s.l.:IGI Global, pp. 31-59.
57