تحلیل و بررسی تخصیص وظایف به منابع ماشینهای مجازی برای ایجاد تعادل بار در رایانش ابری مبتنی بر طبقه بندهای مختلف یادگری ماشین

تعادل بار یک جنبه مهم در زمینه رایانش ابری برای افزایش توزیع بار کاری و استفاده کارآمد از منابع است که در عوض زمان پاسخ کلی سیستم را کاهش می دهد. رویکردها و الگوریتم های زیادی برای حل مسائل مربوط به تعادل بار مانند: زمان بندی وظایف، مهاجرت، استفاده از منابع و غیره پیشنهاد شده اند. در این پژوهش چندین رویکرد مرتبط با چالش حیاتی در رایانش ابری که متعادل سازی بار است، ارائه کرد. مشکلات مربوط به تعادل بار از طریق تحلیل مقایسه ای الگوریتم های پیشنهادی توسط محققان در شش سال گذشته مورد بحث قرار گرفت. چندین رویکرد پیشنهاد شد، با این حال، هنوز برخی از مسائل در محیط ابری وجود دارد، مانند مهاجرت ماشین های مجازی، مسائل مربوط به تحمل خطا که هنوز به طور کامل برطرف نشده است. در این پژوهش یک مدل بهبود طبقه بندی ماشین های مجازی برای ایجاد تعادل بار کاری در برنامه های رایانش ابری با استفاده از شبکه های عصبی عمیق و الگوریتم تکاملی علف هرز ارائه می شود. در واقع هدف اصلی پژوهش استفاده بهینه از منابع محاسباتی در محیط ابری است که الگوریتم های زمان بندی نقش مهمی در فرآیند بهینه سازی دارند. در واقع موضوع پیشنهادی در شاخه یادگیری ماشین و طبقه بندی ماشین های مجازی برای ایجاد تعادل باردر رایانش ابر است. در شبیه سازی روش پیشنهادی نیز در ارزیابی مقایسه روش پیشنهادی و روش پایه از نظر صحت تخصیص ها روش پیشنهادی به نسبت روش پایه مقدار ۶.۶ درصد بهبود از خود به ثبت رسانده است.

Keywords:

واژه های کلیدی: بهبود طبقه بندی ماشین های مجازی , تعادل بار کاری , رایانش ابری , شبکه های عصبی عمیق و الگوریتم تکاملی علف هرز