ترکیب هوش مصنوعی و معماری سرویس گرا برای بهبود مقیاس پذیری و عملکرد سیستم ها

معماری سرویس گرا (SOA) به عنوان یکی از الگوهای اصلی طراحی سیستم های توزیع شده، نقش مهمی در توسعه سامانه های مقیاس پذیر و قابل مدیریت ایفا می کند. با این حال، چالش هایی مانند مدیریت بار، تخصیص منابع، سربار ارتباطات و تضمین عملکرد، همچنان مانع بهره وری بهینه این معماری می شوند. هدف این مقاله مروری، بررسی پژوهش های انجام شده در زمینه ی ترکیب هوش مصنوعی و معماری سرویس گرا و تحلیل نقش روش های هوشمند در بهبود مقیاس پذیری و عملکرد سیستم ها است. برای دستیابی به این هدف، روش شناسی مروری مقاله شامل جستجوی ساختاریافته در پایگاه هایی مانند IEEE Xplore، ACM Digital Library، Springer و ScienceDirect بوده و پژوهش ها بر اساس معیارهایی همچون نوع الگوریتم هوش مصنوعی، حوزه بهبود، معیارهای ارزیابی و نتایج عملکرد دسته بندی و تحلیل شده اند. یافته های اصلی نشان می دهند که روش هایی مانند یادگیری تقویتی، یادگیری عمیق، الگوریتم های تکاملی و مدل های پیش بینی بار، می توانند موجب کاهش چشمگیر تاخیر، بهبود توزیع بار، افزایش توان عملیاتی، بهینه سازی تخصیص منابع و تقویت تحمل خطا در SOA شوند. همچنین مشخص شد که رویکردهای هوشمند، راهکارهایی موثر برای خودکارسازی فرآیندهای مدیریت سرویس، کشف سرویس، ارکستریشن و تشخیص ناهنجاری ارائه می دهند. نتیجه گیری مقاله نشان می دهد که ترکیب SOA و هوش مصنوعی، توان ایجاد نسل جدیدی از سیستم های خودتطبیق پذیر، کارآمد و مقیاس پذیر را دارد؛ با این وجود، شکاف های پژوهشی همچون نیاز به استانداردسازی، کاهش سربار محاسباتی مدل های AI و توسعه رویکردهای Explainable AI همچنان پابرجاست و مسیرهای مهمی برای تحقیقات آینده فراهم می کند.

کلیدواژه ها:

هوش مصنوعی ، معماری سرویس گرا ، میکروسرویس ، تخصیص منابع ، کیفیت سرویس