ارائه رويكردي نوين مبتني بر يادگيري بيزي براي تامين كارآمد منابع برنامه هاي كاربردي در محيط هاي ابري

تامين منابع برنامه‌هاي كاربردي چندلايه در محيط‌هاي ابري با يكسري چالش‌ها روبروست. كه شامل كسر تامين، اضافه تامين و نوسان است. در اين مقاله براي مرتفع كردن چالش‌هاي مطرح‌شده همچنين بهينه‌ سازي زمان‌بندي درخواست‌هاي كاربران و پاسخ‌ دهي به آن‌ها، تقليل مشكل تخطي از سرويس، به ارائه رويكردي بهبود يافته مبتني بر يادگيري ماشين با بهره‌گيري از حلقه MAPE مي‌پردازيم. در مرحلۀ تحليل اين حلقه از مدل رگرسيون خطي(LRM) و در مرحلۀ برنامه‌ريزي، از روش مبتني بر نظريۀ بيز به منظور بهينه نمودن اقدامات استفاده شده است. سپس رويكرد پيشنهادي خود را تحت بار كاري واقعي FIFA با روش‌هاي Stat-RA و DPM-RA مقايسه نموده‌ايم كه راهكار ارائه شده نسبت به راه‌كارهاي پيشين، منجر به افزايش تعداد ماشين‌هاي مجازي به ميزان 10 درصد با بهبود نرخ مقياس‌بندي، كاهش 8 درصدي ميانگين بهره‌وري، كاهش 3 درصدي زمان پاسخ‌دهي، در نتيجه كاهش 5 درصدي هزينه تمام شده و افزايش 1 درصدي سود حاصل شده است.