بهینه سازی بار داینامیک در رایانش ابری با استفاده از ترکیب الگوریتم شبکه حافظه بلند-کوتاه دوطرفه با الگوریتم مگس بهبود یافته بر اساس الگوریتم بهینه سازی الکترواستاتیکی

رایانش ابری به عنوان یک فناوری کلیدی، امکان بهینه سازی استفاده از منابع و ارائه خدمات باکیفیت را فراهم می کند. یکی از چالش های اساسی در این حوزه، تعادل بار میان ماشین های مجازی برای افزایش بهره وری و کاهش تاخیر است. در این مقاله، روشی ترکیبی برای بهینه سازی تعادل بار با استفاده از شبکه حافظه بلندمدت دوطرفه (BILSTM) و الگوریتم مگس بهبود یافته بر اساس الگوریتم بهینه سازی الکترواستاتیکی (MMES) ارائه شده است. ابتدا مدل BILSTM برای پیش بینی دقیق بارهای کاری آینده، با تحلیل داده های تاریخی آموزش داده شد. سپس، الگوریتم MMES برای تخصیص بهینه منابع با کاهش انحراف معیار بار بین ماشین های مجازی استفاده شد. آزمایش ها با استفاده از مجموعه داده های واقعی «Alibaba Cluster Trace GPU ۲۰۲۰» انجام شد. نتایج نشان دهنده بهبود عملکرد مدل پیشنهادی در کاهش زمان واکنش، افزایش دقت تخصیص بار و بهینه سازی مصرف انرژی است. این ترکیب نوآورانه نشان می دهد که ادغام تکنیک های یادگیری عمیق با الگوریتم های فراابتکاری می تواند راه حل های موثری برای مدیریت بار در محیط های ابری ارائه دهد.

کلیدواژه ها:

رایانش ابری ، تعادل بار ، BILSTM ، MMES ، بهینه سازی چند معیاره