چکیده مقاله
پژوهش حاضر با هدف ارائه یک چارچوب تحلیلی و خود تطبیق برای بهبود همزمان، عملکرد، مقیاس پذیری و امنیت در سامانه های هوش مصنوعی و DevOps مبتنی بر پایتون مدل SecureScalablePy را معرفی می کند این مدل با ساختاری سه لایه شامل بهینه سازی سطح کد Cython ، پیش بینی بارکاری با شبکه های عصبی بازگشتی RNN و پایش امنیتی مبتنی بر Random Forest به گونه ای طراحی شده است که بتواند تصمیمات تخصیص منابع و سیاست های امنیتی را به صورت هوشمند و پویا اتخاذ کند نتایج آزمایش ها در محیط Kubernetes و Docker نشان داد که SecureScalablePy در مقایسه با روش های مرجع Autoscaling کلاسیک و سرویس مش ها توانسته است میانگین تاخیر پاسخ دهی را تا ۲۸٪ کاهش دهد، مصرف CPU را بهبود بخشد و در عین حال سطح امنیتی بالاتری با سربار کمتر فراهم آورد تحلیل آماری ANOVA نیز تفاوت معنی داری میان نتایج مدل پیشنهادی و سایر روش ها نشان داد ۰ ۰۱>p این چارچوب با تلفیق DevSecOps و یادگیری ماشین گامی نو در جهت توسعه زیرساخت های هوشمند، امن و مقیاس پذیر برای اکوسیستم پایتون در محیط های ابری به شمار می رود
کلیدواژه‌ها
نویسندگان
نیلوفر قاسمعلی
دانشگاه آزاد اسلامی واحد علوم و تحقیقات
شیوه ارجاع
قاسمعلی، نیلوفر،1404،مدل تحلیلی و بهبود مقیاس پذیری و امنیت در سیستم های هوش مصنوعی و DevOps مبتنی بر پایتون (SecureScalablePy)،هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع،اسفراین
ارائه‌شده در
مجموعه مقالات هفتمین کنفرانس ملی دستاوردهای نوین در برق، کامپیوتر و صنایع19 آبان 1404 · اسفراین