مروری برروش های یادگیری ماشین برای تامین منابع قابل اطمینان دررایانش ابری- لبه

در حال حاضر سیستم های نرم افزاری مقیاس بزرگ تحت عنوان موجودیت های توزیع شده طراحی و در دیتاسنتر های ابری مستقر شده اند.برای چیرهشدن بر محدویت های طبیعی استقرار این نوع از شبکه ها ، برنامه های کاربردی به طور فزاینده با مولفه های تکمیل می شوند که پارادایم رایانشی را تحتعنوان را رایانش لبه شناخته شده است. مسئله قابل توجه ای که در حال حاضربرای مدیریت منابع و برنامه های کاربردی گسترده وجود دارد همان مسئلههماهنگ سازی موثر برای برنامه های کاربردی لبه – ابر می باشدکه تاکنون به طور کامل درک نشده است. ما در مقاله به بررسی مشکل تامین منابع قابلاطمینان در محیط های ابر- لبه پرداخته ایم. و فناوریها، مکانیسم ها و روش هایی را بررسی کرده ایم که می توانند برای بهبود قابلیت اطمینان برنامه هایکاربردی توزیع شده در محیطهای شبکه متنوع و ناهمگن مورد استفاده قرار گیرند.با توجه به پیچیدگی مسئله، تاکید ویژه ای برای توصیف راه حل ها ، مدیریت و کنترل برنامه های کاربردی پیچیده توزیع شده با استفاده از ر ویکردهای یادگیریماشین داریم.که بررسی ها حول تجزیه مسئله تامین منابع قابل اطمینان به سه دسته تکنیک ساختار یافته است: مشخصه سازی و پیشبینی حجم کارها، قرار دادناجزا و یکپارچه سازی سیستم، و کشش و اصلاح برنامه. نتایج نظرسنجی همراه با یک بحث مسئله محور از وضعیت ارائه شده است. در نهایت، خلاصه ای ازچالش های شناسایی شده و یک طرح کلی از جهت گیری های تحقیقاتی آینده برای نتیجه گیری مقاله ارائه شده است.

Keywords:

قابلیت اطمینان , پردازش ابری , رایانش لبه , سیستم های توزیع شده , مقیاس خودکار , یادگیری ماشین , بهینه سازی.