بهبود تخصیص منابع در محاسبات ابری سیار با استفاده از تقسیم وظایف مبتنی DRL بر

محاسبات ابری سیار حوزه ی مهم در علوم کامپیوتر است که به بهینه سازی تخصیص منابع محاسباتی در محیط های پراکنده و پویا می پردازد. در این محیط تخصیص منابع محاسباتی بهینه میتواند عملکرد سیستم را بهبود ببخشد. این مقاله روشی برای بهبود تخصیص منابع در محاسبات ابری سیار با استفاده از تقسیم وظایف مبتنی بر تقویت یادگیری عمیق (DRL) ارائه میدهد که الگوریتم های DRL به عنوان اصلی ترین مکانیزم برای تخصیص منابع استفاده شده است. این الگوریتم ها با استفاده از تجربه های جمع آوری شده تصمیم گیری درباره تخصیص منابع بهینه را انجام می دهند. برای ارزیابی دقت روش پیشنهادی در مقایسه با روش پایه معیارهای ارزیابی متنوعی شامل درصد استفاده از منابع زمان اجراء تعداد درخواست های موفق و ناموفق و سایر معیارهای مرتبط استفاده شده است. آزمایشات به دست آمده نشان میدهد روش پیشنهادی باعث بهبود قابل توجهی در دقت و عملکرد سیستم در مقایسه با روشهای سنتی میشود. پارامترهای مهم این روش شامل تابع هزینه (Loss) ، اندازه دسته ها (Batch) و پیش بینی درخواستهای بهبود تخصیص در روش پایه است. این تحقیق از ترکیب ماشین مجازی و الگوریتم مورچگان به عنوان یادگیری تقویتی عمیق استفاده شده و کمک به بهبود تخصیص منابع و توازن بار را در محاسبات ابری سیار بوده و یک الگوریتم ترکیبی برای زمان بندی وظایف پیشنهاد شده است. الگوریتم های فرا ابتکاری بهترین عملکرد را بر تخصیص منابع و در نتیجه توازن بار داشته اند. امروزه با توجه به افزایش لگاریتمی حجم اطلاعات و نیاز به مراکز داده جدید یا توسعه مراکز داده قبلی و افزایش سرعت محاسبات مصرف انرژی، انباره های اطلاعاتی جز چالشهای مهم قرار میگیرند برای کاهش مصرف انرژی این مراکز داده باید بتوان از ماشینهای مجازی و میزبانهای فیزیکی به صورت بهینه استفاده نمود. برای این منظور نحوه چینش ماشینهای مجازی در میزبانهای فیزیکی از اهمیت خاصی برخوردار است زیرا هر چه از میزبان های فیزیکی استفاده کمتری شود مصرف انرژی در مراکز داده کمتر خواهد شد.

کلیدواژه ها:

بهبود تخصیص منابع محاسبات ابری سیار تقسیم وظایف (DRL) ، تقویت یادگیری عمیق