|
ارائه دهنده:
ریحانه برفه
استاد راهنما:
دکتر
رضا انتظاری ملکی
هیات داوری:
دکتر مهرداد آشتیانی
دکتر سید احمد جوادی
زمان:
۱۴۰۲/۰۳/۰۳
ساعت ۱۰:۳۰
خانم ریحانه برفه دانشجوی کارشناسی ارشد دکتر رضا انتظاری ملکی روز چهارشنبه ۰۳ خردادماه ساعت ۱۰:۳۰ از پروژه کارشناسی ارشد خود تحت عنوان "مقیاس‌پذیری خودکار فعال افقی در کوبرنتیز با استفاده از تحلیل سری زمانی و شبکه عصبی بلند-کوتاه مدت" دفاع خواهند نمود.
چکیده پایان نامه:
ابرهای عمومی و خصوصی از کاربران می‌خواهند تا منابع مورد نیاز نرم‌افزارهای خود را به تأمین کننده ابر، اعلام کنند. مقادیر اعلام شده لزوماً با منابع مصرفی نرم‌افزارها در زمان اجرا مطابقت ندارد. اگر نرم‌افزاری در زمان اجرا به منابع بیش‌تری نیاز پیدا کند ممکن است در پاسخ به درخواست‌ها با خطا مواجه شود. مسئولیت تخصیص و آزادسازی منابع با توجه به نرخ ورود درخواست‌ها برعهده سیستم مقیاس‌پذیری خودکار است. در این پژوهش یک استراتژی پیاده‌سازی سیستم مقیاس‌پذیری خودکار فعال برای نرم‌افزارهای کانتینرسازی‌شده بر روی کوبرنتیز معرفی شده که با استفاده از تحلیل داده سری زمانی و شبکه عصبی LSTM، پیاده‌سازی شده است. این دو روش با یکدیگر ترکیب شده‌اند تا وابستگی‌های داده سری زمانی چند متغیره با استفاده از آن‌ها استخراج شود و مقیاس‌بندی خودکار فعال با استفاده از استخراج الگوی رفتاری بهره‌وری منابع انجام گیرد. برای استخراج این الگوها از داده ابر Alibaba در سال ۲۰۱۷ استفاده شده است. با استفاده از الگوهای استخراج شده یک مقیاس‌بند خودکار فعال افقی برای پادها در کوبرنتیز طراحی شده است.
آزمایش‌ها نشان داده است که مقیاس‌بند خودکار افقی پاد (HPA) در کوبرنتیز در مواجهه با بارکاری که تغییرات دوره‌ای دارد، کارایی قابل قبولی ندارد و مقیاس‌بند خودکار فعال افقی پیشنهاد شده در این پژوهش در مواجهه با جهش‌های بارکاری تا ۲۰٪ بهتر از HPA عمل می‌کند. همچنین نشان داده شده است شبکه عصبی پیشنهاد شده در این پژوهش به طور میانگین تا ۲۳٪ خطای RMSE کمتری نسبت به روش‌های مشابه دارد.
واژه‌های کلیدی: مقیاس‌پذیری خودکار فعال، پیش‌بینی بهره‌وری منابع، کوبرنتیز ، تحلیل سری زمانی ، شبکه عصبی LSTM
مکان: دانشکده مهندسی کامپیوتر، طبقه سوم ،اتاق دفاع
|