رویکرد مبتنی بر اتوماتای یادگیر سلولی جهت تخصیص منابع در رایانش مه

امروزه سرویس رایانش ابری روش جدیدی به منظور ارائه ی سرویس های مبتنی بر فناوری اطلاعات بر روی فضای وب میباشد. رایانش مه الگوی رایانش ابری را به سمت لبه یا مرز شبکه گسترش میدهد و به دنبال کاهش تاخیر سرویس و میانگین زمان پاسخ در برنامه های کاربردی میباشد. در این راستا، یکی از چالشهای مهم در این زمینه تخصیص منابع به سرویس های درخواست شده است، که خود باعث افزایش کارایی و کیفیت سرویس میشود. در این تحقیق، برای مدیریت و زمانبندی منابع و تخصیص آنها به کارها، مدلی ارائه میشود که بر مبنای رویکرد اتوماتای یادگیر سلولی، جهت افزایش کیفیت سرویس تخصیص منابع در رایانش مه میباشد. روش پیشنهادی در این تحقیق از چند مرحله تشکیل شده است، در مرحله اول با توجه به رفتار و سوابق کاربران گذشته و مطابق با رضایتمندی آنها، خوشه بندی کاهشی براساس شاخص تراکم انجام شده و به سه دسته خوب، متوسط و ضعیف تقسیم میشود. در مرحله دوم مطابق با سیاست اتخاذ شده و براساس میزان تراکم زیاد، خوشه هدف انتخاب و با اتکا بر الگوریتم اتوماتای یادگیر سلولی فاز یادگیری انجام میشود و منابع با توجه به مدت زمان پردازشی جهت انجام درخواست فعالیت میکنند. در نهایت به کمک شبکه پتری رنگی یک مدل قابل اجرا از روش پیشنهادی ارائه شده است. نتایج حاصل بیانگر این مطلب است که تخصیص منابع به کمک الگوریتم اتوماتای یادگیر سلولی به درخواست ها با کارایی مناسبی انجام شده است و همچنین در مقایسه با دیگر الگوریتمهای مشابه نتایج مطلوبی حاصل شده است.

Keywords:

رایانش مه , تخصیص منابع , اتوماتای یادگیر سلولی , کیفیت سرویس.