روﯾ ﮑﺮدي ﻣﺒﺘﻨﯽ ﺑﺮ ﯾﺎدﮔﯿﺮي ﺑﺮاي ﺑﻬﺒﻮد ﺗﺎﻣﯿﻦ ﻣﻨﺎﺑﻊ در ﻣﺤ ﯿﻂ راﯾﺎﻧﺶ اﺑﺮي

A Learning-based Approach for improving of resource provisioning in cloud computing environment

توسعه سريع استفاده از رايانش ابري منجر به انتشار مراكز داده مختلفي در سراسر جهان شده است كه اين افزايش تعداد مراكز داده، تعداد منابع با عملكرد مشابه ولي مشخصات مختلف را افزايش داده است . سرويس هاي ابري با مفاهيم جديدي مانند كشساني، پرداخت به ميزان مصرف و مقياس پذيري همراه هستند. يكي از مهم ترين وجه هاي تمايز بين سرويس هاي سنتي و سرويس هاي ابري ويژگي كشساني است. در اين مقاله روشي براي بهبود تامين منابع براي محيط رايانش ابر ارائه شده است كه داراي چهار فاز مانيتور، تحليل، تصميم و اجرا است. در فاز مانيتور داده ها دريافت مي شود و در فاز تحليل داده ها مورد پيش پردازش قرار مي گيرد و درخواست هاي نويزي و زمان گذشته حذف مي شود. فاز تصميم كه مهم ترين فاز است از تكنيك يادگيري بيزين براي تصميم گيري در مورد تامين منابع ابر استفاده شده است. در انتها نتيجه حاصل از فاز تصميم، توسط فار اجرا بر روي منابع اعمال مي شود. نو آوري اين مقاله استفاده از تكنيك بيزين و تركيب آن با روش هاي استفاده شده در فاز تحليل مي باشد. نتايج عملكرد روش پيشنهادي افزايش خاصيت كشساني 5/05 درصد و افزايش دقت كشساني 6/59 درصد و سرعت مقياس بندي 4/31 درصد را نسبت به روش هاي مورد مقايسه نشان مي دهد.

The rapid development of cloud computing has led to the proliferation of various data centers around the world, that has increased the number of data centers, the number of resources with similar performance but different specifications. Cloud services come with new concepts such as elasticity and scalability. One of the most important differences between traditional services and cloud services is their elasticity. In this paper, a method to improve the resource provisioning for the cloud computing environment is presented, that has four phases of monitor, analysis, plan and execution. In the monitor phase, data is received and the analysis phase, data is pre-processed. The decision phase, that is the most important phase, uses the Bayesian learning technique to decide on the provision of cloud resources. Finally, the result of the decision phase is applied to the resources by the execution phase. The novelty of this paper is the use of Bayesian technique and its combination with the methods used in the analysis phase. The performance results of the proposed method show an increase in elasticity of 5.05% and an increase in elastic accuracy of 6.59% and a scaling rate of 4.31% compared to the compared methods