مدل تحلیلی و بهبود مقیاس پذیری و امنیت در سیستم های هوش مصنوعی و DevOps مبتنی بر پایتون (SecureScalablePy)

پژوهش حاضر با هدف ارائه یک چارچوب تحلیلی و خود تطبیق برای بهبود همزمان، عملکرد، مقیاس پذیری و امنیت در سامانه های هوش مصنوعی و DevOps مبتنی بر پایتون مدل SecureScalablePy را معرفی می کند. این مدل با ساختاری سه لایه شامل بهینه سازی سطح کد (Cython)، پیش بینی بارکاری با شبکه های عصبی بازگشتی (RNN) و پایش امنیتی مبتنی بر Random Forest به گونه ای طراحی شده است که بتواند تصمیمات تخصیص منابع و سیاست های امنیتی را به صورت هوشمند و پویا اتخاذ کند. نتایج آزمایش ها در محیط Kubernetes و Docker نشان داد که SecureScalablePy در مقایسه با روش های مرجع Autoscaling کلاسیک و سرویس مش ها توانسته است میانگین تاخیر پاسخ دهی را تا ۲۸٪ کاهش دهد، مصرف CPU را بهبود بخشد و در عین حال سطح امنیتی بالاتری با سربار کمتر فراهم آورد. تحلیل آماری (ANOVA) نیز تفاوت معنی داری میان نتایج مدل پیشنهادی و سایر روش ها نشان داد (۰.۰۱>p). این چارچوب با تلفیق DevSecOps و یادگیری ماشین گامی نو در جهت توسعه زیرساخت های هوشمند، امن و مقیاس پذیر برای اکوسیستم پایتون در محیط های ابری به شمار می رود.

کلیدواژه ها:

پایتون ، هوش مصنوعی ، DevOps ، مقیاس پذیری ، امنیت سایبری ، Cython