بررسی یک چارچوب مقیاس بندی- خودکار انطباقی برای ارائه منابع ابری

چکیده مقاله

با پیشرفت های سریع فناوری های ابری، مدیریت منابع و مقیاس پذیری به چالش های کلیدی در ارائه خدمات مبتنی بر ابر تبدیل شده است سیستم های مقیاس پذیری خودکار Auto Scaling ابزارهای مهمی برای بهینه سازی تخصیص منابع در پاسخ به تغییرات غیرقابل پیش بینی بار کاری هستند این مقاله چارچوب جدیدی به نام ADA RP Adaptive Dynamic Auto Scaling with Resource Prediction را معرفی می کند که به طور خاص برای پیش بینی دقیق نیازهای منابع طراحی شده است ADA RP از الگوریتم های یادگیری ماشین برای تحلیل داده های تاریخی و شبیه سازی الگوهای مصرف منابع استفاده می کند تا پیش بینی های دقیقی از تغییرات بار کاری ارائه دهد و منابع را بر اساس این پیش بینی ها بهینه افزایش یا کاهش دهد برخلاف سیستم های سنتی که معمولا بر اساس آستانه های ثابت عمل می کنند، ADA RP با تحلیل الگوهای مصرف، قادر است تا رفتار آینده بار کاری را پیش بینی کند و منابع را پیش از وقوع اوج بار تامین کند این الگوریتم به طور مداوم با استفاده از داده های جدید، تصمیمات مقیاس گذاری را بهینه سازی می کند پیاده سازی و ارزیابی ADA RP بر روی پلتفرم های ابری مانند AWS، Azure و Google Cloud نشان می دهد که این سیستم عملکرد بهتری در مصرف منابع و کاهش هزینه ها نسبت به الگوریتم های سنتی دارد در نهایت، این مقاله به بررسی چالش ها و فرصت های پیاده سازی ADA RP در محیط های واقعی و پیشنهاداتی برای بهبود آن در سناریوهای پیچیده تر می پردازد و نشان می دهد که این چارچوب می تواند ابزاری موثر برای بهینه سازی تخصیص منابع در محیط های ابری با بار کاری متغیر باشد

کلیدواژه‌ها

نویسندگان

رویا اوجاقی

مهندسی کامپیوتر_گرایش شبکه های کامپیوتری

علیرضا بشکوفه

دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران

آرزو دانگاه

دانشگاه آزاد اسلامی، واحد تهران مرکز، تهران، ایران

�وجاقی، رویا و بشکوفه، علیرضا و دانگاه، آرزو،1403،بررسی یک چارچوب مقیاس بندی- خودکار انطباقی برای ارائه منابع ابری،بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات،بابل

ارائه‌شده در

مجموعه مقالات بیست و پنجمین کنفرانس ملی علوم و مهندسی کامپیوتر و فناوری اطلاعات27 دی 1403 · بابل