چکیده مقاله
رایانش ابری، محاسباتی است که توسط گروهی از سرویس دهنده های از راه دور که با یکدیگر شبکه هستند انجام می گیرد از آنجا که ماهیت برنامه های محیط ابری نسبت به زمان حساس هستند، برای اطمینان از زمان پاسخگویی کم برای ارائه برنامه های بلادرنگ و حساس به تاخیر نیاز به ارائه راهکاری مناسب احساس می شود رایانش مه به لحاظ بستر شبکه، ذخیره سازی و خدمات سرویس را برای کاربر نهایی فراهم می نماید و به علت نزدیک بودن به کاربر و امکان توزیع جغرافیایی و پشتیبانی از تحرک مکمل خوبی برای لایه ابر می باشد جایابی سرویس با هدف کیفیت بخشی ارائه سرویس و ایجاد تعادل بار یک چالش مهم و کلیدی است از آنجا که مدل های ریاضی با افزایش فضای جستجو، مساله با افزایش متغیرها و محدودیت ها روبرو می شود، حل مساله جایابی سرویس با استفاده از روش های سنتی نیازمند صرف زمان بالایی است در این مقاله از شبکه عصبی کانولوشنی CNN برای پیش بینی سرویس های مورد درخواست کاربران و از روش بهینه سازی گرگ خاکستری GWO برای استقرار بهینه سرویس در سلول های مه استفاده شد عملکرد روش جایابی سرویس ارائه شده با مقایسه با سه روش جایابی سرویس در تحقیقات اخیر بر اساس پنج شاخص انرژی مصرفی، زمان سرویس، درجه عدم تعادل بار، تعداد وظایف انجام شده در مهلت مقرر و مجموع زمان تخطی از SLA تحلیل می گردد نتایج پیاده سازی، کارآمدی و بهبود عملکرد رویکرد پیشنهادی را نسبت به سه روش دیگر اثبات می نماید
کلیدواژهها
نویسندگان
شیوه ارجاع
�شکانی، پوریا و غفوری، سید حمید و هاشمی پور، ملیحه،1405،یک روش هوشمند برای کاهش مصرف انرژی در جایابی سرویس رایانش مه مبتنی بر پیش بینی بارکاری و الگوریتم گرگ خاکستری،نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات،مشهد
ارائهشده در
مجموعه مقالات نهمین کنفرانس بین المللی هوش مصنوعی و چشم انداز آینده آن در علوم مهندسی برق، کامپیوتر، مکانیک و مخابرات16 خرداد 1405 · مشهد