Analysis of load balancing algorithms in cloud computing

Authors

  • O.I. Shklyar State University "Kyiv Aviation Institute"

DOI:

https://doi.org/10.18372/2073-4751.82.20374

Keywords:

cloud computing, CloudSim, load balancing, simulation, task scheduling algorithms, Honeybee Foraging, Min-Min, ANOVA, virtualization, datacenter

Abstract

This article presents the results of a simulation-based study on the performance of various load balancing algorithms in a cloud service infrastructure using the CloudSim v7.0.0 platform. The simulated environment included one datacenter with 10 hosts, 50 virtual machines, and 200 cloudlet tasks. Seven load balancing algorithms were compared: Round Robin, Throttled Load Balancing, Active Monitoring, Weighted Least Connection, Biased Random Sampling, Min-Min, and Honeybee Foraging. Simulation outcomes were evaluated based on average task completion time, CPU utilization, load variance, and task migration count. Statistical analysis, including ANOVA and pairwise t-tests, revealed significant differences in algorithm efficiency. Based on the findings, further improvement directions for load balancing strategies are proposed, with a focus on adaptive and hybrid approaches.

References

Calheiros R.N. et al. CloudSim: A toolkit for modeling and simulation of cloud computing environments and evaluation of resource provisioning algorithms. Software: Practice and Experience. 2011. Vol. 41(1). P. 23–50.

Buyya R., Broberg J., Goscinski A. Cloud Computing: Principles and Para-digms. Hoboken : John Wiley & Sons, 2011. 674 p.

Andreoli R. et al. CloudSim 7G: An Integrated Toolkit for Modeling and Simulation of Future Generation Cloud Computing Environments. Software: Prac-tice and Experience. 2025. Vol. 55(6). P. 1041–1058.

Beloglazov A., Buyya R. Optimal Online Deterministic Algorithms and Adap-tive Heuristics for Energy and Performance Efficient Dynamic Consolidation of Virtual Machines in Cloud Data Centers. Concur-rency and Computation: Practice and Expe-rience. 2012. Vol. 24, iss. 13.

Ghribi C., Hadji M., Zeghlache D. Energy efficient VM scheduling in cloud data centers. 2013 13th IEEE/ACM Interna-tional Symposium on Cluster, Cloud, and Grid Computing : proceedings, Delft, Neth-erlands, 13–16 May 2013 / IEEE. 2013. P. 671–678. DOI: 10.1109/CCGrid.2013.89.

Tsakalidou V. N., Mitsou P., Pa-pakostas G. Machine learning for cloud re-sources management -- An overview. 2021. 10.48550/arXiv.2101.11984.

Vashistha D. et al. Deep Learning Based Load Balancing in Cloud Computing: A Survey. Procedia Computer Science. 2025 Vol. 259. P. 1963–1972.

Hameed A. et al. A survey and taxonomy on energy efficient resource allo-cation techniques for cloud computing sys-tems. Computing. 2014. Vol. 98(7).

Ghomia E. J., Rahmania A. M., Qaderb N. N. Load-balancing algorithms in cloud computing: A survey. Journal of Net-work and Computer Applications. 2017. Vol. 88. P. 50–71.

Kołodziej J. et al. Hierarchical ge-netic-based grid scheduling with energy op-timization. Cluster Computing. 2012. Vol. 16. P. 591–609.

Ko S. Y. et al. Making cloud in-termediate data fault-tolerant. 1st ACM Symposium on Cloud Computing, SoCC 2010 : proceedings, Indianapolis, IN, USA, 10–11 June 2010 / ACM. New York, 2010. P. 181–192.

Kliazovich D. et al. GreenCloud: A Packet-Level Simulator of Energy-Aware Cloud Computing Data Centers. The Journal of Supercomputing. 2010. Vol. 62(3). P. 1–5.

Mehor Y., Rebbah M., Smail O. Energy-Aware Scheduling of Tasks in Cloud Computing. Informatica. 2024. Vol. 48. P. 125–136.

Nuaimi K., Mohamed N., Alnuai-mi M., Al-Jaroodi J. A Survey of Load Bal-ancing in Cloud Computing: Challenges and Algorithms. 2012 Second Symposium on Network Cloud Computing and Applications : proceedings, London, UK, 03–04 Decem-ber 2012 / IEEE. 2012. P. 137–142.

Singh S., Chana I. Q-aware: Quali-ty of service based cloud resource provision-ing. Computers & Electrical Engineering. 2015. Vol. 47. P. 138–160.

Abrishami S., Naghibzadeh M., Epema D. H. J. Deadline-constrained work-flow scheduling algorithms for IaaS Clouds. Future Generation Computer Systems. 2013. Vol. 29(1). P.158–169.

Dastjerdi A.V., Buyya R. Fog Computing: Helping the Internet of Things Realize its Potential. Computer. 2016. Vol. 49. P. 112–166.

Chiang M., Zhang T. Fog and IoT: An Overview of Research Opportunities. IEEE Internet of Things Journal. 2016. Vol. 3(6). P. 854–864.

Karaboga D., Basturk B. A pow-erful and efficient algorithm for numerical function optimization: artificial bee colony (ABC) algorithm. Journal of Global Optimi-zation. 2007. Vol. 39. P. 459–471.

Downloads

Published

2025-08-23

Issue

Vol. 2 No. 82 (2025)

Section

Статті

License

Автори, які публікуються у цьому журналі, погоджуються з наступними умовами:

  1. Автори залишають за собою право на авторство своєї роботи та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons Attribution License, котра дозволяє іншим особам вільно розповсюджувати опубліковану роботу з обов'язковим посиланням на авторів оригінальної роботи та першу публікацію роботи у цьому журналі.

  2. Автори мають право укладати самостійні додаткові угоди щодо неексклюзивного розповсюдження роботи у тому вигляді, в якому вона була опублікована цим журналом (наприклад, розміщувати роботу в електронному сховищі установи або публікувати у складі монографії), за умови збереження посилання на першу публікацію роботи у цьому журналі.

  3. Політика журналу дозволяє і заохочує розміщення авторами в мережі Інтернет (наприклад, у сховищах установ або на особистих веб-сайтах) рукопису роботи, як до подання цього рукопису до редакції, так і під час його редакційного опрацювання, оскільки це сприяє виникненню продуктивної наукової дискусії та позитивно позначається на оперативності та динаміці цитування опублікованої роботи (див. The Effect of Open Access).