基于云服务质量的在线调度方法研究

可在www.sciencedirect.com在线获取ScienceDirectFutureComputing and Informatics Journal 3（2018）424e435http://www.journals.elsevier.com/future-computing-and-informatics-journal/一种新的提高云服务质量的在线调度方法阿依达Nasr*，Nirmeen A.El-Bahnasawy，Gamal Attiya，Ayman El-Sayed电子工程学院，Menofia大学，计算机科学与工程系，Menouf 32952，埃及接收日期：2018年2月2日;接受日期：2018年11月8日在线发售2018年摘要服务质量（QoS）是云用户最重要的需求之一。因此，云提供商不断尝试增强云管理工具，以保证所需的QoS，并为用户提供高质量的服务。调度是提高服务质量的重要管理工具之一。调度是将用户的任务分配到可用虚拟机（VM）的过程本文提出了一种新的任务调度方法--在线潜在完成时间（OPFT），以增强负责调度过程的云数据中心代理，并解决QoS问题。新方法的主要思想是从通过高速公路的车辆每当道路的宽度增加时，过往车辆的数量就会增加。我们应用这个想法来分配不同的用户分配给VM的任务数量与该VM的处理能力成比例。每当VM容量增加时，分配到该VM的任务数量就会增加。使用CloudSim模拟器评估所提出的OPFT方法，考虑实际任务和实际成本模型。实验结果表明，OPFT算法在调度长度、开销、均衡度、响应时间和资源利用率等方面均优于FCFS、RR、Min-Min和MCTCopyright © 2018埃及未来大学计算机与信息技术学院由爱思唯尔公司制作和主持这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。关键词：云计算;任务调度;QOS;负载均衡1. 介绍云计算是共享资源的另一种世界观。它有巨大的资源池，可供用户在互联网上按需付费使用[1]。云计算环境提供了三种主要的服务模型：软件即服务（SaaS）、基础设施即服务（IaaS）和平台即服务（PaaS）。在所有情况下，客户都可以在云上使用他们需要的东西，并只为他们使用的东西付费。服务供应商，类似于亚马逊，谷歌和微软，允许他们的客户分配，获取，* 通讯作者。电 子 邮 件 地 址 ： gmail.com （ A.A. Nasr ） ， nermeen.el-eng.menofia.edu.eg （ N.A.El-Bahnasawy ） ， gamal.yahoo.com（G.Attiya），ayman. el-eng.menofia.edu.eg（A. El-Sayed）。同行审查，由埃及未来大学计算机和信息技术系负责。处理在服务器群中运行的虚拟机（VM）的集合，并仅对使用机器的时间收取费用[2]。如今，云计算正在成为一种熟练的范例，它通过互联网提供高性能计算资源来执行大规模复杂的应用程序。然而，降低云计算性能的关键问题之一是资源分配。资源分配的特点是存在有限数量的虚拟机，这些虚拟机应该被分配来执行多个任务。因此，云资源的管理非常重要，特别是当许多任务同时提交给云计算时[3]。许多研究人员提出了独特的方法来解决资源分配问题。一些现有方法的主要目标是减少完工时间。然而，他们忽略了关键的必要性，如时间复杂性，响应https://doi.org/10.1016/j.fcij.2018.11.0052314-7288/Copyright © 2018埃及未来大学计算机与信息技术学院。Elsevier B. V.制作和托管这是CC BY-NC-ND许可证下的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435425时间，资源利用率，有时他们不考虑成本。该指标评估云系统的服务质量QOS。QOS被定义为服务提供商根据用户的需求同意给予用户的所需利益愿望[4]。用户需要在短时间内以低成本执行他们的应用程序。资源分配问题是QOS管理问题的一部分针对云计算环境下的QOS管理问题，提出了一种新的资源分配算法。它考虑了许多术语，如完工时间、成本、资源利用率和时间复杂度。OPFT通过同时考虑任务需求和资源可用性，以较低的时间复杂度提高总执行成本和资源利用率，从而提高云计算的整体性能。它还考虑最大限度地减少响应时间，在那里它不断检查，如果新任务提交或不考虑他们。本文的其余部分组织如下。第2节介绍了云计算和任务调度问题。第三节介绍了相关的工作，第四节提出了最优傅里叶变换.第5节讨论了仿真结果，第6节给出了本研究工作的结论。2. 云计算与任务调度问题云计算系统中任务调度的主要组件[5]有客户端、云信息系统、数据中心代理和虚拟机。图1讨论了这些组件的关系。客户部分：客户负责向供应商提交其任务，并等待执行。提交的任务确定需求资源。信息系统：所有任务信息存储在云信息系统中。这一部分非常重要。它提供到达云计算环境执行的任务的必要信息。等信息任务长度、到达时间、资源信息、提交的任务的数量以及其它信息被存储在信息系统中。数据中心代理：任务调度模型中的主要组件是数据中心代理。它是调度过程的骨干。数据中心代理包括调度程序(by默认的FCFS调度程序），它负责调度任务。它决定了每个任务的执行顺序。虚拟机：VM是执行客户端任务并返回结果的组件。它是关键组件，因为它们的数量少于提交的任务数量VM的组件也称为可用资源。在本文中，我们将重点介绍IaaS模型。我们的模型看起来像Amazon EC2模型。IaaS提供了虚拟计算、存储和网络资源，而不会返回到物理资源的复杂性。云计算技术使用虚拟化技术以虚拟的形式提供所有资源[6]。用户将以虚拟机的形式租用高性能计算资源来执行他们的应用。每个虚拟机都有不同的配置，例如CPU图1.一、云计算中的调度组件426A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 43509871速度、CPU核心数、内存大小、单位时间成本等等。资源分配算法是一种分配可用资源以执行提交的任务的方法。每一个任务分配者都应该考虑一些条件，以正确的方式分配任务.这些条件[7]是：1. 任何任务都应该分配到一个VM中。2. 确保任务只分配给一个正在运行的VM。3. 分配给虚拟资源的所有任务的总处理需求（以百万指令（MI）为单位）不应超过该虚拟资源的可用处理能力。4. 分配给虚拟资源的所有任务的总内存需求不应超过该虚拟资源的最大可用内存。3. 相关工作两种类型的算法开发的任务调度;启发式算法和元启发式算法。启发式算法非常依赖于预测，以实现接近最优的解决方案。这些算法具有较低的时间复杂度，但它们通常提供较高的调度长度[8]。与基于启发式的策略相反，元启发式策略以直接的方式搜索解空间，并在广泛的领域问题上产生有利的结果，但这些技术通常具有较高的时间复杂度[9]。在这篇文章中，我们专注于启发式算法类型。许多启发式算法被开发用于获得近似最优解。在这里，我们将讨论其中的一些：表1任务长度为百万指令（MI）。任务长度T01000T11500T22000T32500T43000T53500T64000T74500T84700T95000要求共计31 700先到先服务（FCFT）[10]：FCFS是云计算系统中使用的第一种方法[11]。在FCFS方法中，所有的任务被组合在队列中，并等待直到资源可用。一旦他们变得可用，任务将根据到达时间分配给他们。FCFS是在云计算中实现的简单方法，但它没有考虑任何用于调度任务的标准，VM[11]。因此，这种方式产生的总时间很高，平衡度很小。Round-Robin（RR）[12]：它使用与FCFS相同的步骤用于调度某些任务，但RR调度器大多采用分时，为每个任务提供一个时隙或时间量，如果任务未完成，则停止该任务RR非常有用，负载平衡，但它提供了一个高makespan。Min-Min算法[13]：它是一种用于任务调度的启发式方法[12e14]。Min-min算法计算每个任务的最小完成时间。然后，它发现具有最小完成时间的任务，并将其分配给给出此完成时间的VM。该算法迭代直到所有任务都被调度。Min-min算法在没有改进的情况下，由于在速度较快的虚拟机上分配较小的任务，使得算法的最大完工时间很高，并且没有考虑系统负载均衡。Minimum Completion Time MCT[11]：算法将每个进程以任意顺序标记到具有最小完成时间的VM表2调度解决方案的插图。VM编号按秒划分的任务TFT（VMjVMT，T，T，T（5000470045002000）/550 ¼29图二、在线潜在完成时间调度算法（OPFT）。VM1T6，T5，T0（4000 35001000）/250 ¼34VM2T4，T3，T2（3000 25001500）/200 ¼35表3Amazon EC2定价模型。类型vCPUECU内存（千兆）费用（美元）t2.small1可变2$0.023每小时t2.large2可变8$0.0928每小时m4.large26.58每小时c4.large283.75每小时r3.large26.515$0.166每小时OPFT算法输入：到达的任务输出：调度解决方案1.准备有关可用资源和任务要求的2.按降序列表3.计算总需求和总可用性4.计算PFT 5。设置α=1.000016.对于i=0到n-17.从有序列表中选择任务Ti8.对于j=0到m-19.如果（（TFT（VMi）+ FT（Ti，VMj）=PFT）10.将选定Ti分配给VMj11.TFT（VMi）+ = FT（Ti，VMj）12.打破13.其他 如果（TFT（VMj）+FT（Ti，VMj））<=μ*PFT）14.将所选任务分配给VMj15.TFT（VMi）+ = FT（Ti，VMj）16.打破17.其他18.μ=μ+0.0000119.继续20.End if21.结束23. 如果有新提交的任务，请转到步骤（1）A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435427图三.计划长度结果。4. 在线潜在完成时间（OPFT）算法本节提出了一种新的OPFT任务调度算法来解决云计算中的任务调度问题。其主要目标是通过改善一些参数来提高系统的整体性能，例如总执行成本，在不违反系统资源和VM利用率的情况下实现任务要求，同时降低时间复杂度。4.1. 建议的OPFT该算法的主要思想是从高速公路上的车辆交通每当道路宽度增加时，交通中的车辆数量，增大我们使用这个想法来分配任务到可用的虚拟机。应将最大数量的任务调度到具有最大容量的VM中。我们可以通过计算潜在完成时间（PFT）（见公式10）来实现这一点。3），并根据该值调度任务。也就是说，给每个VM最适合的任务组，以实现大约等于PFT的完成时间，尽管每个VM执行与其他VM不同数量的任务OPFT包括两个阶段：准备阶段和选择阶段。1. 准备阶段：首先，数据中心代理准备有关资源可用性和任务需求的所有信息。其次，该算法将到达的任务按降序排序。第三，算法计算图四、600个任务的时间表长度结果428A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435.你好，XX利用图五、1200个任务的时间表长度结果调度模型的潜在完成时间PFT。它可以使用等式（1）e（3）计算PFT。它计算TotalReq和TotalAvail值，其中TotalReq是到达任务的总需求处理能力，TotalAvail是可用VM的总处理能力，Mean是所有任务长度的平均值MPFT¼总需求量平均总可用量2. 选择阶段：在这个阶段，OPFT算法根据PFT值将任务分配到VM中。通过另一种方式，每个VMj应该采取任务的数量，其中这些任务的总完成时间TFT（VMj）近似等于PFT值。其中TFT（VM j）是分配给VM的所有任务的完成时间FT的总和。 我们总Req ¼MIPSjj¼0ð1ÞJ使用PFT作为所有虚拟机的参考，以检测每个虚拟机应在处理中花费n总MIð2Þ我们无法使用Total分配确切的任务组请求的1/4图第六章2400个任务的时间表长度结果为每个VM提供相同的PFT值。因此，我们使用一个值作为控制参数，以监控选定的任务，我A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435429¼¼þ þþ¼图第七章4800个任务的时间表长度结果分配给每个VM。一个值可以消除PFT和每个VM的实际TFT之间的间隙量。我们从小值（a）开始1.00001）并添加另一个值0.00001每次迭代。这给出了良好的结果。4.2. 时间复杂度根据图1所示的算法，分析了所提出的OPFT算法的时间复杂度。 二、时间复杂度是阶段1和阶段2的时间复杂度之和。在第一阶段，OPFT使用插入排序对到达的任务进行排序，时间复杂度为O（n log n）。时间复杂度为O（m），时间复杂度为O（m）。最后，将每个任务分配给时间复杂度合适的虚拟机时间复杂度O（n）所以我们可以说总的时间复杂度是O（n（log n1）m）或O（n log n m）。如果VM的数量很小，我们可以重写为O（n）。4.3. 为例为了理解所提出的OPFT的工作顺序，让我们举一个例子，将表1中所示的10个独立任务分配到3个VM中。VM0有 550MIPS ， VM1 有 250MIPS ， VM2 有 200MIPS 。Avial1000MIPS建议的OPFT调度任务到可用的三个虚拟机通过应用两个阶段。在第一阶段：OPFT收集有关任务需求和资源可用性的信息。事实上，图八、将10、20、40、60、80和100个任务分配到3个虚拟机的成本结果。430A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435¼¼þ图第九章600个任务的成本结果根据任务的长度（即MI的数量）以降序排列任务。之后，它根据以下公式计算PFT值：到方程（三）、PFT（31 700人）3170）/ 1000 34.87秒第二阶段：算法根据PFT值分配有序任务。表2显示了调度解决方案。5. 仿真结果本节介绍了所提出的OPFT的性能评估。在这个评估中，著名的CloudSim[14]被用来模拟云计算环境。的模拟环境是安装在笔记本电脑Core i5上的64位Windows 7操作系统，具有8 GB RAM。为了评估新算法的性能，通过使用瑞典称为HPC 2N的高性能计算中心的标准格式工作负载作为基准来生成任务列表[15]。此外，还根据表3所示的Amazon EC2模型生成了一个VM列表。我们比较了新算法与FCFS，RR，Min-Min和MCT算法作为最著名的算法，这些算法被用作云计算中的路由器。我们使用了一些指标来衡量我们的论文的性能，并将其与其他人进行比较。这些度量是进度长度、成本和平衡度。也我们图10. 1200个任务的成本结果A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435431¼图十一岁2400个任务的成本结果图12个。4800个任务的成本结果展示了新算法在资源利用率、响应时间和时间复杂度方面的改进。5.1. 计划长度（SL）SL或makespan是最大负载虚拟机的最大执行时间。它是衡量任何新算法效率的重要指标。图3e 7显示了分配到不同VM的不同组任务的调度长度结果。结果表明，新算法优于其他算法.它提供低SL。从下面可以看出，OPFT算法可以管理任何数量的VM以实现最佳解决方案。让我们举个例子来说明这一点。对于100个任务，新算法获得SL700秒，而MCT和Min-min给出了更多的780秒，FCFS和RR算法实现SL大于1000 S，这些结果是在3个虚拟机上获得的。另一个例子，让我们在10个虚拟机上执行600个任务。实验结果表明，OPFT算法可以完成任务的执行，并且比其他算法节省16分钟以上的时间。最后，以4800个任务和40个虚拟机为例，我们发现OPFT算法比其他算法节省了15分钟以上的时间。总之，我们可以说，我们的算法可以实现最低的调度长度的解决方案。5.2. 成本Amazon EC2为最终用户提供了四个不同的实例。每个实例都有特殊的支付方式。这些实例是按需主机、保留主机、点主机和专用主机。我们选择按需模型来评估我们的算法，因为它是著名的，并且具有许多优点，432A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435图13岁3个虚拟机上的10、20、40、60、80和100个任务的平衡度结果。用户.请参见表3，其中我们选择了一些具有不同特征的不同VM[16]。图 8e12显示不同任务的成本结果不同的VM。从图中，我们注意到，OPFT算法实现的解决方案比其他算法的成本非常低。总之，我们注意到我们的算法提供了廉价的解决方案。5.3. 平衡度（BD）任务调度问题的最优解可以通过应用诸如穷举搜索算法或分支定界的优化方法来实现。然而，应用这些方法的缺点是它们具有非常大的时间复杂度，并且在大量任务的情况下非常难以使用。因此，大多数研究工作倾向于使用启发式方法，以获得近似最优解。最优解（Sopt）可以定义为实现最小完工时间的最佳解。根据[3]，当且仅当满足以下条件时，系统可以实现最低完工时间（即最优解）：1. 每个任务都分配给不同的 VM。2. 每个任务都要尽快开始执行BD是在调度之后在可用VM上平衡工作负载的程度。BD可以如下计算。图14个。600个任务的平衡度结果A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435433¼图15个。平衡度结果为1200个任务。图十六岁2400个任务的平衡度结果BD¼SL。Soptt，SL.Sfinn2014年4月其中，Sopt是最优解，Sfin是从所应用的算法获得的最终解。在本文中，假设Sopt为理想解决方案，其中Sopt计算为所有任务的总MI除以可用VM的总MIPS的总和。即，S op tTotal Req/Total vail。由式（4）可知，平衡度高的算法可获得近似最优解.图图13和17显示了不同任务的BD结果，不同的VM。从图中我们可以看出，新算法优于其他算法，因为它给出了最低的SL。在所有的情况下，我们的算法有更高的BD比别人。它总是接近最优解，并给出一个度超过88%。作者在参考文献[17]中将负载平衡定义为“一种在两台或多台计算机之间分配工作的技术，以获得最佳的资源利用率，最大化吞吐量，并最小化响应时间，具有高负载平衡度”。因此，我们可以说，我们的算法不仅达到了最高的BD值，而且它最小化的响应时间，并利用可用资源在一个很好的 方式。5.4. 总结从上面的数字中，我们注意到新算法可以提高云计算的性能。它给出了在不同的任务数和不同的虚拟机数下的近似最优解。该算法可以实现这些解决方案的负载平衡的考虑。因此，它消除了响应时间并提高了资源利用率。的434A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435图十七岁平衡度结果为4800个任务。表4OPFT算法与其他算法的比较总结。算法OPFTFCFSRRMCTMin-Min时间复杂度O（n）O（1）O（1）O（Mn）O（Mn）调度长度低诉高诉高诉高介质成本低诉高诉高诉高高平衡度诉高诉低诉低介质介质资源利用诉高诉低诉低介质介质算法还考虑任何新提交的任务。它作为一个静态的算法提交的任务组，并作为一个动态的算法完成后，该组的调度。它总是检查是否提交了一组新的任务。表4显示了新算法与FCFS、RR、Min-Min和MCT算法之间的比较。从表中我们可以看出，OPFT算法在SL，BD，成本，资源利用率方面优于其他算法。然而，FCFS和RR在时间复杂度上优于它。但如果我们将新算法与FCFS和RR算法进行比较，并考虑总执行时间，我们会发现新算法优于它们，其中总执行时间是SL的提交加上运行时间（即运行时间以秒为单位表示时间复杂度）。6. 结论在这篇文章中，一个新的OPFT的任务调度在云计算提出。新算法的主要思想是从高速公路上的车辆交通中得到的启发，其中道路的宽度对车辆的速度和到达时间有重要影响因此，我们可以通过使用此规则来分配提交的任务组，其中分配给特定虚拟机的任务数量与该虚拟机的功率处理成它分两个阶段实施：准备阶段和选择阶段。结果表明，该算法能够在较短的运行时间内获得最优解它通过考虑一些因素来提高云系统的QOS例如执行时间、成本、响应时间、负载平衡程度和资源利用率。我们的算法的结果总是接近最优解值。平衡度始终在88%以上作为未来的工作，我们将使用该算法来开发元启发式算法。它将被用作一些元启发式算法，如遗传算法GA，模拟退火SA，蚁群优化算法ACO的初始阶段。这是因为它提供了低的调度长度和低的时间复杂度。这使得它成为一个很好的选择，是初始阶段，并提供良好的解决方案。引用[1] Shawish A，Salama M.云计算：范例与技术。Springer-Verlag BerlinHeidelberg; 2014.[2] Hugos M，Hulitzky D.云计算中的业务：任何业务都需要了解云计算。新泽西州霍博肯：约翰威利父子公司; 2011年。[3] 梅丽，陈伟光，谢泰. 云的故事：范式比较和对研究问题的一些思考。APSCC的会议记录2008年p. 464E 9.[4] Mathew T，Sekaran K，Jose J.云计算环境下各种任务调度算法的研究和分析。计算、通信和信息学进展国际会议。2014. p. 658和64。[5] Nasr A，El-Bahnasawy N，Attiya G，El-Sayed A.使用TSP解决策略实现云计算中的Cloudlet调度。网络与系统管理杂志2018：1E 22。[6] Alworthia MA ， Dhari A ， El-Booz SA ， Nasr AA ， Arpitha A ，Mallappa S. 基于混合方法的云计算增强任务调度。新加坡：在数据分析和学习（pp。11-25）。Springer; 2019.[7] 辛嫩岛并行系统的任务调度。并行与分布式计算系列丛书。Wiley-Interscience;2007.[8] Nasr A，EL-Bahnasawy N，El-Sayed A.异构分布式计算系统中一种新的副本任务调度算法。BullElectr Eng Inf（BEEI）2016年9月;5（No. 3）：373e 82.[9] 金潘·W，克鲁克·B。基于人工蜂群算法的虚拟机启发式任务调度。第八届软计算与智能系统国际会议（SCIS）和第十七届先进智能系统国际研讨会（ISIS）。 2016年。A.A. Nasr等人/Future Computing and Informatics Journal 3（2018）424e 435435[10] 赫梅马里尼湾分布式异构环境下网格任务调度研究综述。 Int JComput Appl 2012;40（2）：24e 30.[11] 帕维特拉湾，兰贾纳河云环境下节能负载均衡技术的性能比较研究。无线通信、信号处理和网络国际会议. 2016. p. 1192年第6期。[12] ChaturvediP，Sharma S. 提出了一种基于轮循算法的工作流云调度方法。 Int J Adv Res Comput Sci 2017年5月-6月;8（5）。[13] 陈华，王芳，赫连宁，阿堪木.云计算中基于用户优先级的负载均衡 min-min 调 度 算 法 。 并 行 计 算 技 术 全 国 会 议（PARCOMPTECH）。2013年。p. 1e 8.[14] [10]张文辉，张文辉，张文辉，张文辉. CloudSim：用于云计算环境建模和仿真以及资源配置算法评估的工具包。软件：实践与经验.Wiley;2010.[15] 放大图片创作者：J.具有使用并行工作负载归档的经验。 J ParallelDistr Comput 2014;74（10）：2967e 82.[16] 戈尔登湾亚马逊网络服务的傻瓜。 John Wiley &Sons; 2013.[17] Abdulmohson A，Pelluri S，Sirandas.云环境中虚拟机的高能效负载平衡。Int J Cloud Comput Super-comput 2015;2（1）：23e 38.阿依达Nasr是该部门的博士候选人。埃及梅诺菲亚大学电子工程学院计算机科学与工程系。她是高等工程学院的讲师，技 术 （ THIET ） ， 埃 及 。 她 于 2015 年 从 埃 及Menofia大学电子工程学院获得理学硕士学位。彼于二零一零年毕业于埃及Menofia大学电子工程专业。尼尔敏A. El-Bahnasawy，她是Menofia大学电子工程学院计算机科学与工程系的讲师，埃及她获得了PhD。计算机科学与工程专业。高性能异构计算系统中的任务调度。2013年，埃及梅诺菲亚大学电子工程学院计算机科学与工程系。她获得了计算机科学与工程硕士学位。并行向量处理器的任务调度。 计算机科学与工程，电子工程学院，Menofia大学，埃及，2003年。她的主要研究兴趣包括分布式计算，任务分配和调度，计算机网络，负载平衡，云和网格计算。GamalAttiya 于 1993 年 毕业， 并 于1999 年 在 埃及Menofia大学获得计算机科学和工程硕士学位。他获得了博士学位2004年，获得宾夕法尼亚州M a rn e-La-Va ll'ee大学计算机工程学位。现任埃及Menofia大学电子工程学院计算机科学与工程系副教授主要研究方向为分布式计算、任务分配与调度、云计算、大数据分析、计算机网络与协议、拥塞控制、QoS、多媒体网络。Ayman El-Sayed，教授兼计算机科学与工程系主任，他于年获得计算机科学与工程学士学位。1994年，2000年获得埃及梅诺菲亚大学计算机网络硕士学位，2004年获得法国格勒诺布尔国立理工学院计算机网络博士学位他是埃及Menofia大学电子工程学院计算机科学与工程系副教授。他的专长是软计算，算法，数据结构、云计算和大数据分析。此外，他的兴趣还包括多播路由协议、应用层多播技术、移动网络和移动IP上的多播以及图像处理技术。此外，还有其他有趣的主题，如生物信息学，生物计算和生物计算机。他是硕士和博士的批准导师。各大学的课程他在政府和私人组织完成了各种项目他在国际期刊上发表了100多篇研究论文，并出版了两本关于OSPF协议和组播协议的书籍。目前，他是各种国际期刊和会议的编委会成员。他是IEEE的资深成员