چکیده مقاله
هدف این پژوهش، بررسی تاثیر استفاده از مکانیزم های مقیاس پذیری خودکار Auto scaling بر بهبود کارایی و بهینه سازی هزینه در محیط های رایانش ابری است مسئله اصلی، چالش حفظ کیفیت خدمات QoS و جلوگیری از نقض توافق نامه سطح خدمات SLA در شرایط نوسان بارکاری، بدون افزایش هزینه های زیرساخت است در این مطالعه، دو رویکرد اصلی Auto scaling شامل مدل های واکنشی و مدل های پیش بینانه مورد ارزیابی قرار گرفته اند روش کار شامل تحلیل پارامترهای کلیدی مدل های واکنشی مانند آستانه های استفاده از CPU و اندازه مقیاس دهی، و بررسی اثر آن ها بر عملکرد، پایداری و هزینه بود سپس، چارچوب ADA RP به عنوان نمونه ای پیشرفته از رویکرد پیش بینانه پیاده سازی و ارزیابی شد این چارچوب از یک شبکه عصبی کانولوشنی یک بعدی ۱D CNN برای پیش بینی بارکاری، الگوریتم K means برای خوشه بندی منابع و یک الگوریتم تصمیم گیری بهینه ساز برای تخصیص بهینه ظرفیت استفاده می کند آزمایش ها با سناریوهای واقعی شبیه سازی شده شامل تجارت الکترونیک، استریم ویدئو و خدمات سازمانی انجام شد نتایج نشان داد ADA RP قادر است در شرایط بارکاری ناپایدار، تا ۴۵٪ نقض SLA را کاهش داده و هزینه منابع را تا ۲۰٪ نسبت به مدل های واکنشی کاهش دهد همچنین مشخص شد که انتخاب دقیق آستانه ها و اندازه مقیاس دهی در مدل های واکنشی، تاثیر قابل توجهی بر تعادل میان عملکرد و هزینه دارد این پژوهش نتیجه می گیرد که رویکردهای پیش بینانه با ترکیب پیش بینی دقیق و تصمیم گیری چندمعیاره، می توانند به طور موثر جایگزین روش های واکنشی شده و در بهبود کارایی رایانش ابری نقش اساسی ایفا کنند
کلیدواژهها
نویسندگان
مهراد شالبافی
دانشجوی کارشناسی مهندسی کامپیوتر دانشگاه آزاد تهران مرکز
مجتبی کشاورز سیاهپوش
دانشجوی دکترای مهندسی کامپیوتر نرم افزار دانشگاه آزاد تهران مرکز
سید جواد میرعابدینی
استادیار و عضو هیئت علمی دانشگاه تهران مرکز
شیوه ارجاع
�البافی، مهراد و کشاورز سیاهپوش، مجتبی و میرعابدینی، سید جواد،1404،بررسی تاثیر مکانیزم های خودکارسازی (Auto scaling) در بهبود کارایی رایانش ابری،بیست و هفتمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان
ارائهشده در
مجموعه مقالات بیست و هشتمین کنفرانس ملی مهندسی برق، کامپیوتر و مکانیک25 آذر 1404 · شیروان