ارائه رویکردی برای استفاده بهینه از منابع با آگاهی از زمان پردازش درخواست ها در محیط های رایانش ابری

رایانش ابری، یک مدل محاسباتی مبتنی بر شبکه است که به منظور عرضه، مصرف و ارائه خدماتی نظیر زیرساخت، نرم افزار و منابع رایانشی از طریق شبکه ایجاد شده است. مسئله زمان بندی مجموعه کارها در این سیستم ها به مسئله ای مهم و پیچیده تبدیل شده است و حل این مسئله می تواند عملکرد و تعامل گره ها در این سیستم توزیع شده را بهبود ببخشد. الگوریتم های زمان بندی، با در نظر گرفتن کیفیت خدمات اقدام به تخصیص کارها به منابع می کنند و هدف از زمان بندی در این سیستم ها به حداکثر رساندن بازدهی سیستم با اختصاص دادن کارهای صحیح به ماشین های صحیح، به حداقل رساندن زمان اجرا و به حداکثر رساندن استفاده از منابع است. هدف از انجام این پژوهش ارائه رویکردی برای استفاده بهینه از منابع است. از آنجایی که در کارهای پیشین در خصوص زمان بندی وظایف، دسته بندی وظایف و منابع در برخی موارد توزیع دقیق آن ها را بر روی منابع تضمین نمی کنند، در این مقاله پس از دسته بندی وظایف و منابع به کمک برخی ویژگی های آن ها و با کمک یک شبکه عصبی به دنبال یافتن بهترین ماشین برای وظیفه انتخاب شده در سیستم می گردیم. لایه های موجود در شبکه عصبی و مرحله های یادگیری و در نهایت استفاده از مدل آموزش دیده به ما در انتخاب منبع مناسب موجود برای وظیفه انتخاب شده کمک می کند و این موضوع می تواند بازدهی سیستم را بهبود ببخشد. نتایج حاصل از ارزیابی راه حل ارائه شده حاکی از زمان اتمام وظایف کوتاه تر الگوریتم پیشنهادی نسبت به الگوریتم های تصادفی، اولین برازش و Tetris است به طوری که میانگین زمان اتمام وظایف حداقل ۱۰ واحد زمانی نسبت به الگوریتم اولین برازش و Tetris و همچنین تقریبا ۱ واحد زمانی از الگوریتم انتخاب تصادفی بهتر است.

کلیدواژه ها:

زمانبندی وظایف ، رایانش ابری ، خوشهبندی ، یادگیری تقویتی عمیق