بهینه سازی مهاجرت زنده ماشین های مجازی در رایانش ابری با کمک از هوش مصنوعی و Golden Eagle Optimizer

با رشد سریع فناوری رایانش ابری و افزایش نیاز به مدیریت کارآمد منابع، ارائه راهکارهایی برای بهینه سازی مصرف منابع، انرژی، و زمان اجرا اهمیت بسیاری یافته است. این پژوهش به ارائه یک روش جدید مبتنی بر الگوریتم بهینه سازی جستجوی Golden Eagle Optimizer (GEO) می پردازد که با استفاده از یک چارچوب پویا و آگاه از شبکه، مسیرهای شبکه بهینه و امن را شناسایی می کند. عملکرد این روش با پنج الگوریتم دیگر شامل GWO، HHO، GOA، و یک روش مرجع مقایسه شده است. نتایج شبیه سازی ها نشان می دهند که روش پیشنهادی در تمامی سناریوها، شامل تعداد مختلف ماشین های مجازی (VMs)، عملکرد بهتری نسبت به سایر روش ها ارائه می دهد. در مقایسه عددی، روش پیشنهادی توانست مصرف CPU را به طور موثری کاهش دهد و کمترین میزان مصرف RAM و دیسک را در تمام سناریوها نشان دهد. در زمینه مصرف انرژی، این روش با کاهش چشمگیر انرژی به میزان ۱۰۰ تا ۱۴۰ کیلوژول، به عنوان کم مصرف ترین روش شناخته شد. علاوه بر این، زمان مهاجرت کل در روش پیشنهادی با میانگین بهبودی ۲۰% نسبت به روش های دیگر کاهش یافت. این یافته ها نشان می دهند که روش پیشنهادی، یک گزینه ایده آل برای مدیریت منابع در محیط های رایانش ابری با تعداد بالای ماشین های مجازی است و می تواند به کاهش هزینه ها و افزایش کارایی زیرساخت های ابری کمک کند. پیشنهاد می شود که در پژوهش های آتی، این روش در محیط های ترکیبی و پویا بررسی شود و با ترکیب تکنیک های یادگیری ماشین، قابلیت پیش بینی بارهای شبکه و بهبود تخصیص منابع در شرایط مختلف ارزیابی گردد.

کلیدواژه ها:

رایانش ابری ، الگوریتم Golden Eagle Optimizer ، مصرف انرژی ، بهینه سازی منابع ، مدیریت ماشین های مجازی