تحلیل تطبیقی تخصیص منابع در شرایط بحرانی در محیط های ابری با تمرکز بر مقیاس پذیری و تاب آوری

این پژوهش یک مدل ترکیبی مبتنی بر ماشین بردار پشتیبان (SVM) و درخت تصمیم (DT) همراه با الگوریتم HWPO را برای پیش بینی بار کاری و تخصیص بهینه منابع در رایانش ابری معرفی می کند. مدل در شرایط دقت بالایی دارد اما در مواجهه با بحران هایی مانند بار ناگهانی، خرابی زیر ساخت و حملات امنیتی فاقد سازوکار تاب آوری و مقاوم سازی است. نتایج مطالعات مکمل نشان می دهد که FT-ERM میانگین زمان پاسخ را تا ۲۳ درصد کاهش می دهد، FTTA نرخ موفقیت اجرای وظایف را تا ۴۹ درصد افزایش می دهد و PREACT نقض توافقنامه سطح خدمت (SLA) را تا ۳.۳ برابر کاهش داده و کارایی سیستم را تا ۷۸% بهبود می بخشد. بر این اساس نتیجه می گیریم افزودن مولفه های تزریق خطا و مقیاس پذیری پیش دستانه در کنار مدل SVM-DT، پایداری و کارایی سیستم را در شرایط بحرانی حفظ می کند. این جمع بندی مسیر یک معماری ترکیبی را نشان می دهد که ضمن حفظ دقت پیش بینی، تاب آوری، بازیابی و استفاده از کارایی منابع را در بحران تضمین می کند.

کلیدواژه ها:

Decision Tree ، Machine Learning ، Auto-Scaling ، AIAFI ، Cloud Resource Allocation