پیش بینی بار سرور در محیط های ابری پویا با استفاده از شبکه عصبی گراف فضایی-زمانی (STGNN)

محیط های رایانش ابری مدرن با رشد تصاعدی سرویس های وب آنلاین و توسعه اینترنت اشیا (IoT) و انقلاب صنعتی ۴.۰، با چالش مدیریت پیچیده و پویا بار کاری و تخصیص منابع مواجه هستند. رایانش ابری پارادایمی است که به کاربران امکان می دهد از منابع ذخیره سازی و محاسباتی در مدل پرداخت به ازای مصرف استفاده کنند. ارائه دهندگان سرویس ابری سود خود را با توزیع تقاضاهای کاربران به سرورهای رزرو شده به حداکیم می رسانند و در عین حال هزینه رزرو را با حفظ سطح توافق کیفیت سرویس (QoS) کاربر به حداقل می رسانند. با توجه به ماهیت توزیع شده زیرساخت های ابری و شرایط غیرخطی و دینامیک بار کاری، پیش بینی دقیق بار سرور و مدیریت منابع به مسائل بنیادی و حیاتی تبدیل شده است. راهکارهای پیش بینی موجود اغلب خروجی تک بعدی ارائه می دهند و عمدتا منابعی مانند مصرف CPU و حافظه را به صورت مجزا پیش بینی می کنند. این رویکردها قادر به درک روابط متقابل پیچیده بین الزامات کاربردی منابع چندگانه مانند CPU، حافظه، هسته های CPU، دیسک و شبکه نیستند که منجر به نتایج پیش بینی غیردقیق و اطلاعات محدود می شود. مدیریت کارآمد منابع مستلزم پیش بینی چندین پارامتر منبع با استفاده از متغیرهای حالت چندمتغیره است. در این مطالعه، ما یک چارچوب محاسباتی هوشمند نوین مبتنی بر شبکه عصبی گراف فضایی-زمانی (STGNN) را برای پیش بینی دقیق و چندمتغیره بار سرور و استفاده از منابع در محیط های ابری پویا پیشنهاد می کنیم. برخلاف روش های سنتی سری زمانی مانند LSTM یا BiLSTM که عمدتا وابستگی های زمانی را مدل می کنند، STGNN قادر است روابط توپولوژیکی و تعاملات پیچیده بین گره ها (سرورها، ماشین های مجازی یا اجزای مختلف) در یک دیتاسنتر ابری را به صورت موثرتری مدل کند. ما با در نظر گرفتن منابع چندبعدی شامل CPU، حافظه، دیسک و ترافیک شبکه، نشان می دهیم که چگونه STGNN می تواند الگوهای غیرخطی و دینامیک بار کاری را با دقت بالاتری نسبت به روش های پیشین شناسایی و پیش بینی کند. نتایج آزمایشات فرضی بر روی داده های واقعی نشان می دهد که چارچوب پیشنهادی ما در پیش بینی دقیق تر بار سرور و منابع، عملکرد بهتری از الگوریتم های موجود ارائه می دهد که به بهینه سازی تخصیص منابع و افزایش کارایی در دیتاسنترهای ابری کمک شایانی می کند.

کلیدواژه ها:

پیش بینی بار سرور ، رایانش ابری پویا ، مدیریت منابع ، شبکه عصبی گراف (GNN) ، شبکه های عصبی گراف فضایی-زمانی (STGNN) ،