تقویت پایداری سیستمهای ابری با بهره گیری از بهینه سازی ازدحام ذرات و هوش مصنوعی

با توجه به رشد فزاینده ی کاربرد رایانش ابری در ارائه خدمات حیاتی تضمین پایداری و در دسترس بودن این خدمات در مواجهه با خطاهای سخت افزاری، نرم افزاری و شبکه ای از اهمیت بالایی برخوردار است. در این راستا تحقیق حاضر به طراحی و پیاده سازی مدلی هوشمند برای افزایش تحمل پذیری خطا در محیطهای رایانش ابری می پردازد. این مدل با تلفیق قدرت الگوریتم بهینه سازی ازدحام ذرات (PSO) و الگوریتم جستجوی گرانشی (GSA) به منظور بهینه سازی تخصیص منابع و زمان بندی وظایف و بهره گیری از مدلهای یادگیری ماشین جهت پیش بینی و شناسایی خطاها طراحی شده است. ترکیب PSO و GSA به عنوان یک رویکرد دوگانه با هدف افزایش دقت در یافتن نقاط بهینه تخصیص منابع و مقابله با بن بست ها و نقاط شکست سیستم به کار گرفته شده است. همچنین با آموزش مدل های یادگیری ماشین بر روی داده های عملکردی سیستم امکان پیشبینی رفتارهای ناهنجار فراهم شده که منجر به افزایش واکنش پذیری سیستم در برابر اختلالات گردیده است. ارزیابی مدل در یک محیط شبیه سازی شده نشان داده است که رویکرد پیشنهادی نسبت به مدل های متداول در کاهش زمان از کارافتادگی، بهبود سطح دسترس پذیری و کاهش هزینه های بازیابی عملکرد برتری ارائه می دهد. نتایج این تحقیق می تواند به توسعه ی سیستم های ابری هوشمند پایدار و مقاوم در برابر خطا در حوزه های حیاتی مانند سلامت، بانکداری و حمل و نقل کمک شایانی نماید.

کلیدواژه ها:

محیط رایانش ابری ، تحمل پذیری خطا ، الگوریتم بهینه سازی ذرات ، الگوریتم جستجوی گرانشی