یک مرور نظام مند در زمینه زمان بندی وظایف و توازن بار در رایانش ابری

گسترش سریع رایانش ابری، مدیریت کارآمد منابع را ضروری ساخته است؛ در این میان، زمان بندی وظایف و توازن بار نقشی حیاتی در بهبود عملکرد سیستم و کاهش هزینه های عملیاتی ایفا می کنند. این مقاله، یک مرور نظام مند ادبیات را باهدف شناسایی الگوریتم های رایج، چالش های مرتبط و روندهای پژوهشی نوظهور در این حوزه پویا ارائه می دهد. برای این منظور، جستجویی جامع در پایگاه های داده علمی معتبر برای مقالات انگلیسی زبان منتشر شده بین سال های ۲۰۲۱ تا ۲۰۲۵ انجام شد. تمرکز جستجو بر کلیدواژه های زمان بندی وظایف، توازن بار و رایانش ابری بود. استخراج داده ها و تحلیل کیفی متعاقب آن نشان داد که عملکرد الگوریتم ها به سناریوی عملیاتی بستگی دارد. رویکردهای ترکیبی مانند RA-HAPCNN-CC، نقاط قوت قابل توجهی در بهره وری انرژی و زمان پاسخ از خود نشان دادند، درحالی که SNSK-IPSO در بهینه سازی زمان اتمام کل و توازن بار برتری داشت. الگوریتم های ابتکاری مانند DLJSF با بهینه سازی محلی ات داده و مقیاس پذیری در محیط های مه - ابر سودمند تشخیص داده شدند و الگوریتم PBFS عملکردی متعادل با پایبندی قوی به مهلت های زمانی ارائه کرد. یافته ها بر وجود چالش های پایدار مرتبط با مقیاس پذیری و مصرف انرژی تاکید داشتند. در نتیجه، مشخص گردید که انتخاب الگوریتم بهینه زمان بندی کاملا وابسته به زمینه است و نیازمند توجه دقیق به اولویت های عملیاتی و محدودیت های محیطی است. مسیرهای تحقیقاتی آینده شامل پیشرفت در بهینه سازی چندهدفه، رایانش سبز، پیش بینی بار کاری با استفاده از یادگیری ماشین و روش های ترکیبی پیشرفته شناسایی شدند.

کلیدواژه ها:

رایانش ابری ، زمان بندی وظایف ، توازن بار ، مرور نظام مند ، الگوریتم های ترکیبی