بهینه سازی پایدار رایانش ابری با استفاده از نظریه بازی فازی

رایانش ابری به عنوان یکی از ستون های فناوری مدرن شناخته می شود، با این حال، بهینه سازی تخصیص منابع در حالی که پایداری حفظ شود، همچنان یک چالش مهم است. این پژوهش به بررسی کاربرد نظریه بازی فازی در بهینه سازی تخصیص انرژی های تجدیدپذیر در مراکز داده ابری (CDCs) بر پایه مهاجرت ماشین های مجازی (VM) می پردازد، با هدف افزایش کارایی انرژی و بهبود عملکرد سیستم.هدف مطالعه، ارتقای فرآیند تصمیم گیری در محیط های ابری از طریق ادغام منطق فازی با بهینه سازی مبتنی بر نظریه بازی است. رویکرد پیشنهادی بر اساس الگوریتم GTGWO (Game Theory-enhanced Gray Wolf Optimizer) طراحی شده است که از قواعد فازی برای مدل سازی عدم قطعیت های دینامیک سیستم های ابری بهره می برد.مدل پیشنهادی با استفاده از مجموعه ای از سناریوهای شبیه سازی رایانش ابری، شامل بارهای کاری متغیر و دسترسی متفاوت به انرژی های تجدیدپذیر در چندین مرکز داده، پیاده سازی و ارزیابی شد. نتایج نشان می دهد که الگوریتم GTGWO به طور قابل توجهی از الگوریتم های بهینه سازی سنتی عملکرد بهتری دارد و نسبت به روش های موجود تا ۲.۱۷٪ افزایش استفاده از انرژی های تجدیدپذیر را به همراه دارد.این پژوهش نتیجه گیری می کند که ادغام نظریه بازی فازی راهکاری کارآمدتر و قابل تفسیر برای بهینه سازی مصرف انرژی در سیستم های رایانش ابری ارائه می دهد و دیدگاه های ارزشمندی برای مدیریت پایدار زیرساخت های ابری فراهم می کند.

کلیدواژه ها:

مراکز داده ابری ، رایانش ابری ، نظریه بازی فازی ، الگوریتم GTGWO