مروري برروش‌هاي يادگيري ماشين براي تامين منابع قابل اطمينان در رايانش ابري- لبه

A Survey On Machine Learning Methods For Reliable Resource Provisioning in Edge-Cloud Computing

در حال حاضر سيستم هاي نرم افزاري مقياس بزرگ تحت عنوان موجوديت هاي توزيع شده طراحي و در ديتاسنتر هاي ابري مستقر شده اند.براي چيره شدن بر محدويت هاي طبيعي استقرار اين نوع از شبكه ها ، برنامه هاي كاربردي به طور فزاينده با مولفه هاي تكميل مي شوند كه پارادايم رايانشي را تحت عنوان را رايانش لبه شناخته شده است. مسئله قابل توجه اي كه در حال حاضر براي مديريت منابع و برنامه هاي كاربردي گسترده وجود دارد همان مسئله هماهنگ سازي موثر براي برنامه هاي كاربردي لبه – ابر مي باشدكه تاكنون به طور كامل درك نشده است. ما در مقاله به بررسي مشكل تامين منابع قابل اطمينان در محيط هاي ابر- لبه پرداخته ايم. و فناوري‌ها، مكانيسم‌ها و روش‌هايي را بررسي كرده ايم كه مي‌توانند براي بهبود قابليت اطمينان برنامه‌هاي كاربردي توزيع‌شده در محيط‌هاي شبكه متنوع و ناهمگن مورد استفاده قرار گيرند. با توجه به پيچيدگي مسئله، تاكيد ويژه اي براي توصيف راه حل ها ، مديريت و كنترل برنامه هاي كاربردي پيچيده توزيع شده با استفاده از رويكردهاي يادگيري ماشين داريم.كه بررسي ها حول تجزيه مسئله تامين منابع قابل اطمينان به سه دسته تكنيك ساختار يافته است: مشخصه‌سازي و پيش‌بيني حجم كارها، قرار دادن اجزا و يكپارچه‌سازي سيستم، و كشش و روند اصلاح برنامه. نتايج نظرسنجي همراه با يك بحث مسئله محور از وضعيت ارائه شده است. در نهايت، خلاصه اي از چالش هاي شناسايي شده و يك طرح كلي از جهت گيري هاي تحقيقاتي آينده براي نتيجه گيري مقاله ارائه شده است.

In this survey, the authors investigate the issue of ensuring reliable resource provisioning in joint edge-cloud environments. They explore various technologies and methods that can be employed to improve the reliability of distributed applications in different network settings. The main focus of this study is on the utilization of machine learning approaches for effectively characterizing, managing, and controlling complex distributed applications. The survey is divided into three main categories: workload characterization and prediction, component placement and system consolidation, and application elasticity and remediation. The survey presents the findings of the research conducted, along with a discussion on the current state of the field. Additionally, the paper concludes by highlighting the challenges identified and providing suggestions for future research directions.