ارائه يك سازوكار بيش‌­فعالانه مقياس‌­پذيري خودكار در محيط‌­هاي ابري

كارشناسي ارشد

يك سيستم مقياس‌پذيري خودكار مي‌تواند خدمات و برنامه‌هاي ابري را از طريق تنظيمات مختلفي در سطح نرم‌افزار و نيز با تخصيص و آزادسازي منابع سخت‌افزاري براي وفق دادن سيستم با محيط عملياتي در حال تغيير، در زمان اجرا پيكربندي دوباره كند. چنين رفتاري، پايه‌اي براي دستيابي به كشش و وفق پذيري در پارادايم محاسبات ابري ارائه مي‌دهد. با در نظر گرفتن ماهيت پويا و نامعلوم زيرساخت ابري مشترك، سيستم مقياس‌پذيري خودكار به‌عنوان يكي از پيچيده‌ترين و هوشمندترين ساخته‌هاي انسان طراحي شده است كه هدف آن دستيابي به مقياس‌پذيري خودآگاه، خودسازگار و قابل‌اعتماد در زمان اجرا است. براي اينكه بتوانيم راه‌حلي كارآمد براي اين مسئله پيدا كنيم، نياز داريم بتوانيم مقدار بار كاري و متريك‌هاي سيستمي را براي زمان‌هاي آينده، با دقت پيش‌بيني كنيم. تاكنون راه‌حل‌هاي مختلفي براي حل اين مسئله به كار گرفته‌شده‌اند، براي مثال از يادگيري ماشين و روش‌هاي آماري سري زماني و روش‌هاي گروهي راه‌حل‌هاي زيادي مطرح شده است. در اين نوشته، راهكارهاي مختلف بكار گرفته‌شده براي حل مسئله مقياس‌پذيري خودكار در سيستم‌هاي رايانش ابري را بررسي مي‌كنيم و بر اساس درك نقاط ضعف و قوت كارهاي انجام‌شده، با تمركز بر سازوكاري بيش فعالانه، ايده‌هايي را براي حل اين چالش مطرح مي‌كنيم. در اين پژوهش، مسئله را به صورت يك مدل توالي مي بينيم و از شبكه هاي عصبي كانولوشن براي پيش بيني بار كاري سرويس هاي ابري استفاده خواهيم كرد. همچنين با استفاده از شبكه هاي عصبي، نگاشتي از بار كاري پيش بيني شده و مقدار زمان واقعي منابع مصرفي به مقدار منابع مصرفي در آينده به دست مي آوريم. در بخش آخر نيز يك روش تصميم گيري ارائه مي دهيم كه معيار هاي مختلف و گاهاً متضاد تصميم گيري را درنظر بگيرد و نوعي سازش بين آن ها ايجاد كند. در بخش ارزيابي مقدار خطاي پيش بيني، مقدار تخطي از توافق سطح خدمات و همچنين مقدار بي استفاده ماندن منابع را بررسي مي كنيم. ارزيابي هاي انجام شده نشان مي دهند روش هاي ارائه شده كارايي و دقت قابل قبولي دارند و روش پيشنهاد شده براي پيش بيني بار كاري نسبت به كارهاي پيشين انجام شده بهبود 4 درصدي داشته است.

194168

دانشگاه علم و صنعت ايران

سيستم‌هاي نرم‌افزاري

دكتر مهرداد آشتياني