یوسف علیدوست - دانشگاه صنعتی قم، قم، ایران
عبدالرضا رسولی کناری - دانشگاه صنعتی قم، قم، ایران
محبوبه شمسی - دانشگاه صنعتی قم، قم، ایران

یکی از مهمترین ویژگی های پردازش ابری، خاصیت کشسانی است و نقشی کلیدی در آن ایفا می کند. این امر باعث شده محققان زیادی در زمینه بهینه سازی خاصیت کشسانی ابری فعالیت کنند. خاصیت کشسانی، همان مقیاس پذیری همراه با تنظیم خودکار و بهینه سازی است. این کار اگر به بهترین حالت انجام شود، هم توافقنامه سطح خدمات کاملا رعایت می شود و هم تامین کننده ابری کمترین اتلاف منابع را خواهد داشت. در این پژوهش برای بهبود تجربه کاربر و همچنین عدم اتلاف منابع، از مدل پیش بینی سربار کار سرور استفاده شده است. با پیش بینی سربار کار کاربران، سیستم می تواند تصمیمات مقیاس پذیری را با توجه به تاخیر انجام تغییرات، اتخاذ کند بطوری که کاربر این تغییرات را حس نکند. نتایج حاصل از پژوهش های گذشته نشان می دهد که استفاده از یک الگوریتم ثابت برای تمامی الگوهای سربار کار نمی تواند ما را به حداکثر سرعت و دقت در پیش بینی برساند. از این رو در این پژوهش معماری پیشنهاد شده است که در آن سه مدل SVM ،LR و ARIMA برای پیش بینی سربار کار استفاده شده است و در این معماری با توجه به دو ویژگی میانگین مصرف cpu و الگوی فصلی سربار کار، مدل متناسب برای هر سربار کار انتخاب می شود نتایج نشان می دهد که استفاده از این معماری منجر به بهبود 12 درصدی دقت پیش بینی و همچنین کاهش 25 درصدی زمان میانگین پیش بینی سربار کار می شود.

محاسبات ابری، خاصیت کشسانی ابری، سری زمانی، پیش بینی سربار کار