رویکردهای مبتنی بر یادگیری تقویتی برای مقیاسپذیری خودکار منابع در محیط رایانش ابری
رویکردهای مبتنی بر یادگیری تقویتی برای مقیاسپذیری خودکار منابع در محیط رایانش ابری
بهار عسگری1 مصطفی قبائی آرانی2 مهرداد مائین3
1) کارشناسی ارشد کامپیوتر گرایش نرم افزار، دانشگاه آزاد اسلامی واحد محلات، ایران
2) دکترای کامپیوتر گرایش سیستم های نرم افزاری، دانشگاه آزاد اسلامی واحد علوم تحقیقات تهران، ایران
3) دکترای کامپیوتر گرایش معماری سییتم های کامپیوتری، دانشگاه آزاد اسلامی واحد شهرری، ایران
کد IOI مقاله
:
XYCC-ABHHG
محل انتشار :
کنفرانس بین المللی علوم و مهندسی(icesconf.com)
چکیده :
یکی از ویژگیهای رایانش ابری، قابلیت مقیاسپذیری آن در منابع میباشد. مقیاسبندی خودکار، استراتژی اصلی در راستای تامین پویای منابع است. مقیاسپذیری، با مفهوم تخصیص و باز پس گیری منابع متناسب با حجم در خواست ها سعی در استفاده حداکثری از توان منابع موجود و به کار گیری منابع غیر فعال به منظور افزایش کارائی یا غیر فعال کردن منابع موجود متناسب با حجم درخواست ها، سرو کار دارد. تحقیقات متنوعی به منظور مقیاسپذیری بهینه منابع در بستر ابر انجام شده است که هرکدام متناسب با ماهیت زمینه و منابع عملیاتی نقاط ضعف و قوتی دارند. در این مقاله سعی داریم تا ضمن تشریح مفهوم مقیاسبندی و بررس انواع آن، به معرفی تکنیک های انجام شده در این حوزه پرداخته، سپس به بررسی بیشتر یکی از تکنیکهای موجود، یعنی یادگیری تقویتی خواهیم پرداخت و برخی کارهای انجام شده در این زمینه را معرفی و مورد ارزیابی قرار خواهیم داد.
کلمات کلیدی : رایانش ابری مقیاسپذیری ابری مقیاسپذیری خودکار یادگیری تقویتی