توازن بار هوشمند با استفاده از الگوریتمهای یادگیری ماشین در رایانش ابری

رایانش ابری به عنوان زیرساختی مقیاس پذیر با چالش توازن بار مواجه است. در این مقاله عملکرد الگوریتمهای ایستا (RR و WRR) و پویا (Q-Learning و DQN) در یک محیط شبیه سازی شده در پایتون بررسی شده است. نتایج نشان می دهد الگوریتمهای یادگیری ماشین در مقایسه با روش های سنتی زمان پاسخ کمتری دارند و بهره وری منابع را افزایش می دهند. همچنین یک الگوریتم ترکیبی پیشنهادی با هدف کاهش زمان آموزش و بهبود کارایی ارائه گردید که با ترکیب الگوریتم های DQN و QL و استفاده از نقاط قوت هر دو نتایج بهینه تری را به ثبت رسانده است.

کلیدواژه ها:

توازن ، بار رایانش ابری ، الگوریتم ترکیبی ، DQN ، Q-Learning