پیش بینی بار کاری سرویس دهنده های موجود در رایانش ابری با استفاده از یادگیری ترکیبی مبتنی بر مدلهای یادگیری عمیق

در زمینه برنامه ریزی و استراتژی های مدیریتی برای مراکز داده ابری، پیش بینی دقیق نیازهای آتی و همگام سازی آن باظرفیت های موجود، اساسی ترین عنصر است. این تحقیق به دنبال راهکارهایی برای افزایش بهره وری در تخصیص منابع ابری با استفادهاز پیش بینی دقیق بار کاری سرویس دهنده ها است. ما دریافتیم که شبکه های عصبی LSTM سنتی در تشریح کامل الگوهایمکانی-زمانی مرتبط با داده های سری زمانی که وابستگی های مکانی دارند، ناکارآمد هستند، که این امر بر دقت پیش بینی ها تاثیر منفیمی گذارد. برای غلبه بر این محدودیت، مدل جدیدی را معرفی می کنیم که از دو کانال مجزا برای تحلیل و توصیف دقیق همبستگی هایزمانی و مکانی در داده های سری زمانی استفاده می کند. این مدل، که از معماری BiLSTM بهره می برد، قادر است الگوهای پیچیدهمکانی و زمانی را با دقت بالاتری شناسایی کند. تجزیه و تحلیل های ما بر روی دو مجموعه داده بزرگ که شامل داده های بار کاری ازکلاسترهای گوگل و ibaba Al هستند، نشان می دهد که مدل BiLSTM ، خصوصا در شرایطی که داده ها دارای وابستگی هایزمانی طولانی مدت هستند، عملکرد بهتری نسبت به LSTM سنتی ارائه می دهد. همچنین، در مواردی که الگوهای زمانی مانندافزایش های بارکاری در ایام خاص یا ساعات معین روز وجود ندارد، BiLSTM با دقت بیشتری عمل کرده و زمان آموزش کمتریرا نیاز دارد، ضمن اینکه فشار محاسباتی کمتری را به سیستم وارد می کند.

کلیدواژه ها:

رایانش ابری ، بار کاری ، مجازی سازی ، پیش بینی ، یادگیری عمیق