رویکرد تامین منبع بهبود یافته برای برنامه های کاربردی چندلایه با استفاده از سیستم استنتاج عصبی- فازی تطبیق پذیر در محیط رایانش ابری

رایانش ابری، امکان دسترسی به محدوده وسیعی از منابع مجازی شده (سخت افزار، نرم افزار، سرویس ها و...) را فراهم می آورد که این منابع می توانند به صورت پویا و با حجم متغیر، به کاربران خود سرویس دهند، یعنی هر کاربر به اندازه ای که از آن منابع نیاز دارد، از آن استفاده می کند که این کار به استفاده بهینه از منابع منجر می شود. تامین خودکار منابع برای برنامه های کاربردی چندلایه در محیط های ابری، چالش های جدیدی را در زمینه تعادل پویا و یا تخصیص منابع مطرح می کند که در تامین برنامه های تک لایه شاهد آن نبوده ایم. سازوکار های انعطاف پذیر و عموما خودکار نیاز به تعیین مقدار منابع مجازی مورد نیاز برای به حداقل رساندن مصرف منابع و برآورده کردن توافقنامه سطح کیفی خدمات دارند. در این مقاله، به ارائه رویکردی بهبود یافته برای تامین خودکار منابع برای برنامه های کاربردی چندلایه پرداخته ایم، رویکرد ارائه شده دارای سه مرحله پایش، تحلیل و اجراست که در مرحله تحلیل از سیستم استنتاج عصبی-فازی تطبیق پذیر استفاده می شود. این سیستم از قدرت آموزش شبکه عصبی و مزیت زبانی سیستم های فازی به منظور تحلیل فرآیندهای پیچیده به صورت بسیار قدرتمند عمل می کند. سپس رویکرد پیشنهادی را تحت بارهای کاری واقعی و مصنوعی با دو روش ADRP_Fuzzy و ADRP_AL مورد ارزیابی و مقایسه قرار دادیم. نتایج به دست آمده نشان می دهد که رویکرد پیشنهادی موجب کاهش زمان پاسخگویی به میزان ۲.۳ درصد و افزایش بهره وری به میزان ۱.۹ درصد می گردد.

رویکرد تامین منبع بهبود یافته برای برنامه های کاربردی چندلایه با استفاده از سیستم استنتاج عصبی- فازی تطبیق پذیر در محیط رایانش ابری Keywords:

تامین منابع , برنامه های کاربردی چندالیه , مقیاسپذیری , سیستم استنتاج عصبی- فازی تطبیق پذیر