CIVILICA We Respect the Science
(ناشر تخصصی کنفرانسهای کشور / شماره مجوز انتشارات از وزارت فرهنگ و ارشاد اسلامی: ۸۹۷۱)

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

عنوان مقاله: رویکردی مبتنی بر یادگیری تقویتی برای مقیاس بندی خودکار منابع در محیط رایانش ابری
شناسه ملی مقاله: ECITCONF01_030
منتشر شده در کنفرانس ملی چشم انداز1420 و پیشرفت های تکنولوژیک مهندسی برق، کامپیوتر و فناوری اطلاعات در سال 1396
مشخصات نویسندگان مقاله:

سیمین عابدی - دانشگاه آزاد اسلامی واحد محلات
مصطفی قبائی آرانی - دانشگاه آزاد اسلامی واحد پرند
مهرداد مایین - واحد یادگار امام خمینی (ره)شهرری، دانشگاه آزاد اسلامی، تهران

خلاصه مقاله:
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.

کلمات کلیدی:
رایانش ابری، تامین پویای منابع، مقیاس بندی اتوماتیک، مقیاس پذیری

صفحه اختصاصی مقاله و دریافت فایل کامل: https://civilica.com/doc/661020/