پيش بيني قيمت نقطه اي منابع ابري با در نظر گرفتن سطح كيفيت خدمات با روش يادگيري عميق

Forecasting the spot price of cloud resources considering the level of QOS with deep learning method

ماشين هاي مجازي با انواع و ظرفيت هاي مختلف در سرويس دهندگان ابري ارائه شده و كاربران مي توانند با هدف مديريت هزينه در كنار حفظ كيفيت سرويس خود به انتخاب نمونه هاي مناسب بپردازند. يكي از مدل هاي قيمت گذاري پويا به عنوان قيمت گذاري نقطه اي شناخته مي شود كه منابع محاسباتي مازاد فراهم كنندگان با قيمت هاي پايين تر عرضه گرديده و كاربران در صورت تمايل به استفاده از اين نمونه ها بايستي يك پيشنهاد مناسب بالاتر از قيمت نقطه اي ارائه دهد. با توجه به نوسان زياد قيمت و تغييرات عرضه و تقاضا در اين مدل، پيش بيني دقيق قيمت به كاربران كمك مي كند كه از قبل اقدام به برنامه ريزي مقدار پيشنهادي قيمت و زمان اجرا كنند تا قابليت اطمينان و در نتيجه كيفيت سطح خدمات افزايش يابد. مدل پيشنهادي مقاله با ارائه ساختاري بر پايه يادگيري عميق به پيش بيني قيمت نقطه اي منابع ابري با هدف ارائه نتايجي با كم ترين خطا و بيشترين دقت پرداخته است كه نتايج مقاله نيز نشان دهنده عملكرد موفق مدل ارائه شده در مقايسه با روش‌هاي پيشرفته ديگر مي‌باشد.

Cloud platforms often offer a variety of virtual machine (VM) models of various types and capacities, enabling users to choose the instances that best meet their requirements. Cloud providers have devised systems to make the most of their redundant computing resources. The cost fluctuates dynamically based on supply and demand. Spot price is a common term for this. To be able to use this instance, the user must create a suitable offer above the spot price. Accurate spot price prediction allows users to pre-prepare bid prices and run time to increase the reliability of the method. For this purpose, we consider Amazon EC2 as a testbed and use its spot price history to predict the future price by constructing a proposed modified Gated Recurrent Unit (MGRU) model and providing a proposed dropout method. Compared with other sophisticated methods, test results show that the proposed method works superior and more accurately.