امیر فاضل - دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، واحد محلات، دانشگاه آزاد اسلامی، مرکزی، ایران
مصطفی قبائی آرانی - استادیار، دانشکده فنی و مهندسی، گروه مهندسی کامپیوتر، ئاحد قم، دانشگاه آزاد اسلامی، قم، ایران

توسعه سریع استفاده از رایانش ابری منجر به انتشار مراکز داده مختلفی در سراسر جهان شده است که این افزایش تعداد مراکز داده، تعداد منابع با عملکرد مشابه ولی مشخصات مختلف را افزایش داده است . سرویسهای ابری با مفاهیم جدیدی مانند کشسانی، پرداخت به میزان مصرف و مقیاس پذیری همراه هستند. یکی از مهمترین وجه های تمایز بین سرویس های سنتی و سرویس های ابری ویژگی کشسانی است. در این مقاله روشی برای بهبود تامین منابع برای محیط رایانش ابر ارائه شده است که دارای چهار فاز مانیتور، تحلیل، تصمیم و اجرا است. در فاز مانیتور داده ها دریافت می شود و در فاز تحلیل داده ها مورد پیش پردازش قرار می گیرد و درخواست های نویزی و زمان گذشته حذف می شود. فاز تصمیم که مهمترین فاز است از تکنیک یادگیری بیزین برای تصمیم گیری در مورد تامین منابع ابر استفاده شده است. در انتها نتیجه حاصل از فاز تصمیم، توسط فار اجرا بر روی منابع اعمال می شود. نو آوری این مقاله استفاده از تکنیک بیزین و ترکیب آن با روش های استفاده شده در فاز تحلیل می باشد. نتایج عملکرد روش پیشنهادی افزایش خاصیت کشسانی ۵/۰۵ درصد و افزایش دقت کشسانی ۶.۵۹ درصد و سرعت مقی اس بندی ۳۱ / ۴ درصد را نسبت به روش های مورد مقایسه نشان می دهد.

رایانش ابر، مقیاس بندی پویا، یادگیری ماشین، یادگیری بیزین