ارائه رویکردی نوین مبتنی بر راه حل غیر متمرکز برای مقیاس بندی خودکار منابع در محیط رایانش ابری

در این پژوهش به ارائه رویکرد تامین اتوماتیک خودکار منابع در سرویس های ابری در محیط رایانش ابری پرداخته شده است. از جمله چالش هایی که در این راستا مطرح است این است از آنجایی که حجم دستورات وارد شده در هر ماشین مجازی و تخصیص به موقع منابع خودکار با حجم هر ماشین مجازی تاثیر مستقیم دارد لذا مدیریت و استفاده بهینه از منابع ابری نیز برای مدیریت مرکز داده ابری به علت غیرقابل پیش بینی بودن بار کاری و درخواست های کاربران بسیار دشوار است. همچنین مدیریت و تامین منابع در مجموعه های رایانشی بزرگ و پیچیده نیازمند زمان و هزینه بسیار زیادی است.در روش پیشنهادی در این پژوهش، از حلقه MAPE برپایه مدیریت در هر سرویس خودمختار استفاده نمودیم که در فاز تحلیل این حلقه از مدل رگرسیون خطی (ARMA) و در فاز برنامه ریزی، از روش تصمیم گیر بیز ساده به منظور بهینه نمودن منابع استفاده شده است. سپس رویکرد پیشنهادی خود را تحت سه بار کاری واقعی ClarkNet، FIFA و NASA با روش DEPAS و با مواردی از زیر مجموعه های روش DEPAS از جمله Opt.Min، Opt.Des و Opt.Max مقایسه نمودیم و از نظر معیارهای مختلف در سه سناریو Normal، Soft و Heavy مورد ارزیابی قرار دادیم و از نتایج حاصل از شبیه سازی مشاهده نمودیم که روش پیشنهادی موجب افزایش ۱.۱ درصد بهره وری ماشین های مجازی، ۲.۶ درصد کاهش هزینه، ۱.۶درصد افزایش زمان پاسخ و ۰.۵ درصد افزایش تعداد درخواست گردیده است.