پيش‌بيني تعداد مناسب ماشين هاي مجازي بر اساس سري زماني و روش‌هاي هوشمند مبتني بر خوشه‌ بندي ماشين هاي مجازي

Prediction of Approperiate Number of Virtual Machines based on Time Series and Artifical Methoads via Virtual machines Clustering

يكي از مهم‌ترين چالش هاي رايانش ابري، مديريت منابع و بهينه سازي تخصيص منابع در مراكز دادهاي ابري در لايۀ زيرساخت است. در اين مقاله به بررسي موضوع تخمين تعداد مناسب ماشين هاي مجازي در مراكز داده اي ابري پرداخته شده است. از جمله ايرادات رويكردهاي پيشين، در نظر گرفتن مستقل ماشين هاي مجازي و بي توجهي به رفتارهاي مشابه ماشين هاي مجازي است. بهره جويي از الگوريتم هاي يادگيري ماشين و سري زماني و راهكار خوشه بندي رفتاري و خودكار ماشينهاي مجازي به‌عنوان عناصر زمينه ساز تأمين بهينۀ منابع در نظر گرفته شده است. پيشبيني سري زماني و استفاده از گذشته، براي تخمين آينده به هدف جلوگيري از نقض توافق سطح خدمات از يك سو و جلوگيري از صرف هزينه هاي تأمين، نگهداري و مجازي سازي ماشين هاي مجازي كه در آينده مورد استفاده قرار نخواهند گرفت از سوي ديگر، موجب افزايش كيفيت خدمات ابري شده است. هر ميزاني كه پيش بيني انجام‌شده دقيق تر باشد، منابع ماشين هاي مجازي آماده‌شده با نياز واقعي مشتريان در آينده سازگارتر خواهد بود و فراهم كنندگان خدمات ابري كمتر متضرر ميشوند. نوآوري انجام‌شده اعمال خوشه بندي رفتاري و خودكار ماشينهاي مجازي است كه موجب كاهش تعداد سريهاي زماني مشابهي كه در نهايت منجر به دريافت يك نوع ماشين مجازي مي شود، دقت در پيش بيني سري زماني ماشين هاي مجازي، كاهش بار پردازشي و سهولت در اعمال راهبردهاي مديريتي شده است. به‌كارگيري روش پيشنهادي، موجب افزايش دقت پيش بيني كننده ها و كاهش خطا به ميزان 1.93 برابر شده است.

فاقد چكيده لاتين