پيش بيني بار كاري ماشين هاي مجازي به منظور كاهش مصرف انرژي در مراكز داده ابري با استفاده از تركيب مدل هاي يادگيري ژرف

افزايش تقاضا براي كاربردهاي مبتني بر ابر و استفاده ناكارآمد از منابع، موجب مصرف بيرويه انرژي در مراكز داده ابري شده است.مديريت پوياي منابع در مراكز داده با هدف كاهش مصرف انرژي، از طريق پيش بيني بار كاري ماشين مجازي امكان پذير است. پيش بيني بار كاري ماشين مجازي اين امكان را مي دهد كه ماشين مجازي متناسب با درخواست كاربران در زمان مناسب مهاجرت كند و در مصرف انرژي موثر باشد و منابع را به كارآمدترين روش تخصيص دهد. پيش بيني بار كاري ماشين مجازي مي تواند بر اساس الگوي درخواست كاربران باشد براي اين منظور مي توان ماشين هاي مجازي را بر اساس پيش بيني مصرف منابع (به عنوان مثال ميانگين مصرف پردازنده) در كلاس هاي حساس يا غير حساس به تأخير دسته بندي كرد و سپس، ماشين هاي مجازي متناسب با در خواست كاربران را به آنها اختصاص داد. در واقع پيش بيني بار كاري و تحليل پيش بيني به عنوان يك فرآيند اوليه براي مديريت منابع (مانند كاهش تعداد مهاجرت در ادغام پوياي ماشين مجازي) باشد. از اين رو در اين مقاله از تركيب شبكه عصبي پيچشي و واحد برگشتي دروازه دار به منظور پيش بيني بار كاري ماشين هاي مجازي مايكروسافت آزور استفاده شده است. مجموعه داده آزور يك مجموعه داده داراي برچسب است و بار كاري ماشين هاي مجازي در اين مجموعه داده در دو برچسب حساس يا غير حساس به تأخير قرار دارند. در اين مجموعه داده اكثر ماشين هاي مجازي داراي برچسب غير حساس به تأخير مي باشند؛ بنابراين بنابراين توزيع نمونه ها در اين مجموعه داده به صورت نامتوازن است از ين رو براي رفع اين چالش از افزايش تصادفي نمونه هاي كلاس اقليت استفاده شده است. طبق نتايج حاصل از آزمايش ها، روش پيشنهادي داراي دقت 42 / 94 است كه نشان دهنده برتري مدل پيشنهادي نسبت به ساير مدل هاي پيشين است.