بهبود عملکرد انباره داده های ابری با استفاده از یک روش بهینه سازی ترکیبی مبتنی بر یادگیری ماشین

با رشد نمایی داده های بزرگ و نیاز به پردازش کارآمد آن ها، بهبود عملکرد انبار داده های ابری به یک ضرورت تبدیل شده است. در این پژوهش، یک روش بهینه سازی ترکیبی مبتنی بر یادگیری ماشین برای ارتقای عملکرد انبار داده های ابری ارائه شده است. این روش با ترکیب الگوریتم های بهینه سازی گرگ خاکستری و جستجوی ممنوعه، به کاهش ابعاد داده، حذف افزونگی و بهبود زمان پردازش کمک می کند(Dinesh and Devi 2024). در مرحله ی اول، الگوریتم گرگ خاکستری برای کاهش ابعاد داده و حذف داده های غیرضروری به کار گرفته شده است. در مرحله ی دوم، الگوریتم جستجوی ممنوعه برای خوشه بندی داده ها و افزایش سرعت بازیابی اطلاعات استفاده شده است. نتایج آزمایش ها بر روی مجموعه داده های بزرگ (50 گیگابایت تا 2 ترابایت) نشان می دهد که روش پیشنهادی در مقایسه با روش های سنتی، بهبود قابل توجهی در زمان پردازش و کارایی سیستم دارد(Dinesh and Devi 2024, Oluwaseyi and Olaoye 2024). علاوه بر این، استفاده از یادگیری ماشین در انبار داده های ابری امکان تخصیص منابع به صورت پیش بینی شده و بهینه سازی خودکار پرس وجوها را فراهم می سازد که منجر به کاهش هزینه ها و افزایش بهره وری می شود(Li, Wang et al. 2024, Oluwaseyi and Olaoye 2024). این پژوهش نشان می دهد که با به کارگیری روش های بهینه سازی ترکیبی مبتنی بر یادگیری ماشین، می توان عملکرد انبار داده های ابری را به طور چشم گیری بهبود بخشید و نیازهای پردازشی داده های بزرگ را در محیط های ابری برطرف کرد.

کلیدواژه ها:

انبار داده های ابری ، بهینه سازی ترکیبی ، عملکرد سیستم