ارائه يك رويكرد مقياس‌پذيري خودكار منابع در محيط‌هاي بدون سرويس‌دهنده

A Consensus-Based Auto-Scaling Approach for Serverless Environments

مديريت صحيح منابع همواره يكي از دغدغه‌هاي كاربران هنگام استفاده از محيط‌هاي محاسباتي بوده‌است. يك سامانه مقياس‌پذير خودكار مي‌تواند با توجه به تاريخچه‌ي عملكرد سامانه، منابع سخت‌افزاري را مديريت كند و در زمان مناسب براي جلوگيري از اختلال درروند اجراي برنامه با وفق دادن سامانه با محيط عملياتي جديد منابع را به‌صورت خودكار، بدون دخالت انسان و بر اساس معيارهاي تنظيم‌شده افزايش يا كاهش دهد. در اين پژوهش، با درنظرگرفتن ويژگي منحصربه‌فرد محيط‌هاي بدون سرويس‌دهنده كه فعاليتي براساس توابع دارند، توابع را با نظريه گراف مدل‌سازي كرده و با تحليل وابستگي‌هاي آن‌ها و پيداكردن مهم‌ترين گلوگاه در گراف، دو رويكرد با نظارت و بدون نظارت را براي پيش‌بيني مقياس‌پذيري منابع گلوگاه در نظر مي‌گيريم و براي اطمينان بيشتر به تصميم مقياس‌پذيري، پيش‌بيني مدل‌ها توسط سازوكار اجماع‌نظر مقايسه مي‌گردد و نتيجه‌ي بهترين مدل به‌عنوان تصميم نهايي مقياس‌پذيري درنظرگرفته ‌مي‌شود كه به‌نوعي ميان نتايج حاصل‌شده از روش‌ها سازگاري ايجاد كند. نتايج نشان مي‌دهند كه رويكرد‌هاي با نظارت در مقايسه با رويكرد‌هاي بدون نظارت در مسئله مقياس‌پذيري خودكار بهتر عمل مي‌كنند و مدل‌هاي پياده‌سازي شده در اين پژوهش‌، مي‌توانند تا دقت 98% نتيجه‌ي مقياس‌پذيري را تعيين كنند كه نسبت به كارهاي پيشين انجام‌شده بهبود 2.5 درصدي داشته است.

Efficient management of computing resources has always been a significant concern for users. An automatic scaling system can help in managing hardware resources by adapting to the system s performance history. It can increase or decrease resources automatically, without human intervention, based on predefined criteria. This ensures smooth program execution without any disruption caused by changes in the operating environment. This study focuses on serverless environments, which rely on functions. We model these functions using graph theory, analyze their dependencies, and identify the most critical bottlenecks in the graph. We then use two approaches, supervised and unsupervised, to predict the scalability of bottleneck resources. To be more sure of the scaling decision, the consensus mechanism compares the predictions of the models, and the best model s result is considered the final scaling decision, which creates consistency between the results obtained from the methods. Results show that supervised approaches perform better than unsupervised approaches in the automatic scaling problem. The models implemented in this research can determine the scaling result with 98% accuracy, which is a 2.5% improvement compared to previous works.