معماری های تطبیقی یادگیری عمیق برای سامانه های نرم افزاری خودترمیم شونده

چکیده مقاله

با افزایش پیچیدگی سامانه های نرم افزاری مدرن، قابلیت خودترمیمی به عنوان یکی از ویژگی های حیاتی برای حفظ پایداری و انعطاف پذیری سیستم ها مطرح شده است معماری های تطبیقی مبتنی بر یادگیری عمیق، امکان شناسایی الگوهای خطا، پیش بینی خرابی ها و اصلاح خودکار رفتار سامانه را فراهم می کنند و به بهبود کیفیت سرویس، کاهش هزینه های نگهداری و افزایش دوام سیستم کمک می نمایند این مقاله با رویکرد تحلیلی، مفاهیم معماری تطبیقی و یادگیری عمیق در سامانه های خودترمیم شونده را بررسی می کند و ساختارهای معماری پیشنهادی، چالش ها و فرصت های پیاده سازی را تحلیل می نماید یافته ها نشان می دهد که ادغام الگوریتم های یادگیری عمیق با معماری های تطبیقی، امکان ایجاد سامانه هایی با توانایی خودآگاهی، خوداصلاحی و تطبیق پویا با تغییرات محیطی را فراهم می آورد

کلیدواژه‌ها

نویسندگان

علیرضا پورچالی

۱ دانش آموخته رشته مهندسی کامپیوتر دانشگاه علامه طباطبایی

پورچالی، علیرضا،1404،معماری های تطبیقی یادگیری عمیق برای سامانه های نرم افزاری خودترمیم شونده،بیست و هفتمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک،شیروان

ارائه‌شده در

مجموعه مقالات بیست و هفتمین کنفرانس ملی مهندسی برق ،کامپیوتر و مکانیک24 شهریور 1404 · شیروان