سیما جدی - Amirkabir University of Technology
سعید شریفیان - Amirkabir University of Technology

با فراگیر شدن استفاده از عملگرهای مجازی شبکه (NFV)  که سرویس های شبکه نظیر مسیریابی، دیواره آتش و.. را به صورت نرم افزاری در قالب ماشین های مجازی روی ساختار ابری توزیع شده ارائه می دهند، نیاز به تضمین کیفیت سرویس و عدم تخطی از قرارداد SLA کاربر در کنار مصرف انرژی بهینه مرکز داده ابری و کاهش تلفات انرژی ازجمله مشکلات مطرح در این حوزه می باشند. برای حل این مشکلات نیاز به الگوریتمی برای مقیاس دهی و تخصیص پویای منابع ابری با توجه به پیشبینی نرخ بارکاری ابر می باشد. از آنجا که نرخ بارکاری ورودی به ابر دارای تغییرات زیادی در بازه های کوتاه مدت است، الگوریتم های فعلی برای پیشبینی نرخ بارکاری دقت لازم را ندارند. در این مقاله روش Wavelet-GMDH با دقت بالاتر در پیشبینی حجم بارکاری در مقایسه با کارهای قبلی ارائه شده است. ایده اصلی روش ارایه شده مدل سازی زیرباندهای مستقل زمان-فرکانس بارکاری با نگاشت تبدیل موجک و استفاده از شبکه GMDH با میزان غیرخطینگی قابل کنترل در هر یک از زیر باندها برای پیشبینی بارکاری و در نهایت تلفیق خروجی های زیرباندها برای بدست اوردن مقدار نهایی پیشبینی بارکاری می باشد. ارزیابی عملکرد الگوریتم پیشنهادی با دو بارکاری استاندارد ابری Intel و TSDL ، به سبب مدل سازی بهتر تغییرات شدید بارکاری در هر یک از زیرباندهای زمان-فرکانس نشان داد که درصد میانگین خطای مطلق پیشبینی ۷.۲ درصد نسبت به بهترین روش موجود در مقالات مرتبط که مبتنی بر شبکه عصبی می باشد کاهش داشته است.

Workload forecasting, Cloud Autoscaling, NFV, wavelet decomposition, GMDH., پیشبینی بارکاری ابر, مقیاس پذیری ابر, عملگرهای مجازی شبکه, تجزیه موجک, شبکه GMDH.