ارايه رويكردي براي مقاياس پذيري خودكار خوشه ها در محيط هاي ابري مبتني بر پيش بيني بار كاري

An Approach for Cluster Autoscaling in Cloud Environments based on Workload Prediction

امروزه مقاس پذيري خودكار در محيط هاي ابري امري بحراني واساسي است. اين مفهوم به توانايي سيستم براي تطبيق بانوسانات ترافيك و نيازهاي متغير كاربران بدون دخالت انساني اشاره دارد. با توجه به تغييرات سريع تقاضا در زمينه فناوري اطلاعات، مقياس پذيري خودكار به عنوان يك ابزار قابل اعتماد و ضروري، سازمان ها را در مواجهه با چالش ها و نوسانات بازار اطلاعاتي ياري مي دهد و انعطاف پذيري و بهره وري سيستم را ارتقا مي دهد. هرچند روش ها و الگوريتم هاي موجود پيشرفت هاي زيادي داشته اند، اما كاستي هايي وجود دارد كه نياز به تحقيق دارد. پيچيده و زمان بر بودن الگوريتم ها، نياز به تنظيمات دقيق، ناپايداري در مواجهه با باركاري ناگهاني و دقت پايين در پيش بيني باركاري آينده، همچنين افت سرعت و عملكرد الگوريتم هنگام نوسانات و تغييرات ترافيك از مشكلات و مسايلي است كه نياز به مطالعه و پژوهش دارد. در اين پژوهشي يك رويكرد جديد براي بهبود الگوريتم هاي مقياس پذيري خودكار با استفاده از پيش بيني بار در محيط ابري ارايه شده است كه از مدل تركيبي چندمرحله اي استفاده مي كند. اين روش با استفاده از مدل هاي پيش بيني اوليه، باركاري را پيش بيني مي كند و با وزن دهي و تركيب اين مدل ها، دقت پيش بيني نهايي و در پي آن عملكرد مقياس پذيري را بهبود مي بخشد. الگورتيم پيش نهادي در اين پژوهش با استفاده از داده هاي خوشه گوگل آزمايش و ارزيابي شده است و نتايج نشان مي دهد الگوريتم پيشنهادي با دقتي معادل 0.99 و ميزان خطا معادل 0.05 در مقايسه با موارد بررسي شده به ميزان 0.56 افزايش دقت و به ميزان 0.34 كاهش خطاي پيش بيني داشته است و عملكرد بهتر و دقت بالاتري دارد.

Today, autoscaling in cloud environments critical and fundamental. This concept refers to a system’s ability to adapt to traffic fluctuations variable user needs without human intervention. Given the rapid changes in demand in the field of information technology, autoscaling serves as a reliable and essential tool, assisting organizations in facing informational market challenges and enhancing system flexibility and efficiency. While existing methods and algorithms have significant advances, there are deficiencies that require investigation. The complexity and time-consuming nature of algorithms, the need for precise configurations, instability when facing sudden workload spikes, and low accuracy in predicting future workloads are among the issues that necessitate study research. In this study, an approach for cluster autoscaling in cloud environments based on workload prediction is presented, utilizing a multi-stage hybrid model. This method predicts workload using initial prediction models and enhances the final prediction accuracy and consequently scalability performance through weighting and combining these models. The proposed algorithm in this research has been experimented and evaluated using Google cluster data, showing that it has achieved a precision of 0.99 and an error rate of 0.05 compared to the baseline accuracy of 0.56, indication an increase in prediction accuracy by 0.34 and better performance with higher accuracy.