ارائه ­دهنده:
مبینا کاشانیان

  استاد راهنما:
دکتر مهرداد آشتیانی

  هیات داوران:

دکتر رضا انتظاری ملکی
 دکتر محمود ممتازپور


زمان : ۲۸ شهریور ماه ۱۴۰۲

  ساعت ۱۱:۰۰

چکیده پایان نامه :
 

مدیریت صحیح منابع محاسباتی همواره یکی از دغدغه‌های کاربران هنگام استفاده از محیط‌های محاسباتی بوده‌است چرا که عدم وجود منابع کافی در یک سامانه می‌تواند پیوستگی اجرای برنامه را مختل کند. یک سامانه مقیاس‌پذیر خودکار می‌تواند با توجه به تاریخچه‌ی عملکرد سامانه، منابع سخت‌افزاری را مدیریت کند؛ همچنین در زمان مناسب برای جلوگیری از اختلال درروند اجرای برنامه با وفق دادن سامانه با محیط عملیاتی جدید منابع را به‌صورت خودکار، بدون دخالت انسان و بر اساس معیارهای مختلف تنظیم‌شده افزایش یا کاهش دهد. در فضای محاسبات بدون سرویس‌دهنده که یکی از جدیدترین فضاهای محاسباتی است می‌توان یک سرویس مقیاس‌پذیر خودکار را ارائه نمود به‌نحوی‌که تحت شرایط مختلف پویا باشد و مقیاس و اندازه منابع خود را در هرزمانی تغییر دهد. برای دستیابی به چنین سامانه‌ای که دارای مقیاس‌پذیری خودکار است، طرح تخصیص منابع باید خودآگاه، سازگار و قابل‌اعتماد در برابر تغییرات در حجم کار باشد. تاکنون راه‌حل‌های مختلفی، ازجمله استفاده از روش‌های مبتنی بر نظریه صف، روش‌های آماری و یادگیری ماشین برای ایجاد یک سامانه هوشمند مقیاس‌پذیری معرفی و مطرح‌شده‌است که هر یک از جنبه‌های مختلفی این موضوع را مورد بررسی قرار داده‌اند. در این نوشته، ابتدا راهکارهای معرفی‌شده برای دستیابی به یک سامانه مقیاس‌پذیر خودکار در محیط‌های بدون سرویس‌دهنده را بررسی می‌کنیم، سپس بر اساس خلاهای پژوهشی و نقاط ضعف و قوت کارهای انجام‌شده، یک روش مقیاس‌پذیر خودکار در محیط‌های بدون سرویس‌دهنده را معرفی می‌کنیم. در این پژوهش، با شناخت ویژگی منحصر به فرد محیط‌های بدون سرویس‌دهنده که فعالیتی براساس توابع دارند، ابتدا توابع را با نظریه گراف مدل‌سازی کرده و با تحلیل وابستگی‌های توابع و پیداکردن مهم‌ترین گلوگاه در گراف، دو رویکرد با نظارت و بدون نظارت و چندین روش یادگیری ماشین را برای پیش‌بینی مقیاس‌پذیری منابع گلوگاه درنظر می‌گیریم و برای اطمینان بیشتر به تصمیم مقیاس‌پذیری، خطای پیش‌بینی مدل‌ها توسط سازوکار اجماع‌نظر ارائه‌شده مقایسه می‌گردد و نتیجه‌ی بهترین مدل به عنوان تصمیم نهایی مقیاس‌پذیری درنظرگرفته ‌می‌شود که به نوعی میان نتایج حاصل‌شده از روش‌ها سازگاری ایجاد کند. در بخش ارزیابی این پژوهش، خطای پیش‌بینی برای هر روش گزارش ‌شده‌است که نشان می‌دهند رویکرد‌های با نظارت در مقایسه با رویکرد‌های بدون نظارت در مسئله مقیاس‌پذیری خودکار بهتر عمل می‌کنند و همچنین مدل‌های پیاده‌سازی شده در این پژوهش‌، می‌توانند تا دقت ۹۳% به بهبود نتیجه‌ی مقیاس‌پذیری کمک کنند همچنین روش پیشنهادشده برای پیش‌بینی مقیاس‌پذیری نسبت به کارهای پیشین انجام‌شده بهبود ۵.۲ درصدی داشته است.