رویکردی مبتنی بر یادگیری تقویتی برای مقیاس بندی خودکار منابع در محیط رایانش ابری

با توجه به گسترش روز افزون استفاده از سرویس های ابری و تمایل ارایه دهندگان به ارایه سرویس های زیرساخت ( IaaS ) به کاربران و سازمان ها، برای دسترسی به منابع مورد نیاز صرف نظر از زمان و مکان، مدیریت موثر این منابع، هم برای ارایه دهندگان و هم برای کاربران، از اهمیت زیادی برخوردار است. تامین منابع در ارایه دهندگان ابری، به دلیل دسترس پذیری بالای بار کاری نسبت به زمان، به عنوان یک چالش مطرح است. و برای غلبه بر این چالش لازم است ظرفیت تامین کننده در طول زمان و بر اساس میزان تقاضای کاربران، کم و زیاد شود (تامین پویای منابع). بنابراین، تامین پویای منابع به طور کارا و موثر، از اهمیت زیادی برخوردار است چرا که باعث افزایش بهره وری، کاهش هزینه و برآورده شدن پارامترهای کیفیت سرویس کاربران خواهد شد.در این مقاله، به منظور تامین موثر و کارای منابع در محیط رایانش ابری با توجه به پویایی ذاتی محیط های ابری و همچنین متغییر بودن تعداد درخواست های کاربران نسبت به زمان، بعد از معرفی چارچوب جدیدی مبتنی بر متدولوژی حلقوی MAPE ، رویکردی کارا و موثر برای تامین پویای منابع در محیط رایانش ابری ارایه دادیم. رویکرد پیشنهادی خود راتحت بار کاری واقعی ClarkNet با سه روش Cost-aware(LRM) ، Cost-aware(ARMA) ، DRPM ، مقایسه کرده و از نظر پنج فاکتور مورد ارزیابی قرار دادیم.

Keywords:

رایانش ابری , تامین پویای منابع , مقیاس بندی اتوماتیک , مقیاس پذیری