پيش بيني تعداد مناسب ماشينهاي مجازي بر اساس سري زماني و روش هاي هوشمند مبتني بر خوشه بندي ماشينهاي مجازي

Prediction of Approperiate Number of Virtual Machines based on Time Series and Artifical Methoads via Virtual machines Clustering

يكي از مهم ترين چالش هاي رايانش ابري، مديريت منابع و بهينه ساز ي تخصيص منابع در مراكز داده اي ابري در لايۀ زيرساخت است. در اين مقاله به بررسي موضوع تخمين تعداد مناسب ماشين هاي مجازي در مراك داده اي ابري پرداخته شده است. از جمله ايرادات رويكردهاي پيشين، در نظر گرفتن مستقل ماشين هاي مجازي و بي توجهي به رفتارهاي مشابه ماشين هاي مجازي است. بهره جويي از الگوريتم هاي يادگيري ماشين و سري زماني و راهكار خوشه بندي رفتاري و خودكار ماشين هاي مجازي به عنوان عناصر زمينه ساز تأمين بهينۀ منابع در نظر گرفته شده است. پيش بيني سري زماني و استفاده از گذشته، براي تخمين آينده به هدف جلوگيري از نقض توافق سطح خدمات از يك سو و جلوگيري از صرف هزينه ها ي تأمين، نگهداري و مجازي سازي ماشين هاي مجازي كه در آينده مورد استفاده قرار نخواهند گرفت از سو ي ديگر ، موجب افز ايش كيفيت خدمات ابري شده است. هر ميزاني كه پيش بيني انجام شده دقيق تر باشد، منابع ماشين هاي مجازي آماده شده با نياز واقعي مشتريان در آينده سازگارتر خواهد بود و فراهم كنندگان خدمات ابري كمتر متضرر مي شوند. نوآوري انجام شده اعمال خوشه بندي رفتاري و خودكار ماشين هاي مجازي است كه موجب كاهش تعداد سري هاي زماني مشابهي كه در نهايت منجر به دريافت يك نوع ماشين مجازي مي شود، دقت در پيش بيني سري زماني ماشين هاي مجازي، كاهش بار پردازش ي و سهولت در اعمال راهبردهاي مديريتي شده است. به كارگيري روش پيشنهادي، موجب اف ايش دقت پيش بيني كننده ها و كاهش خطا به مي ان 1،93 برابر شده است.

فاقد چكيده لاتين