تحمل پذیری خطا در سیستم های توزیع شده با رویکردهای یادگیری ماشین: یک بررسی جامع و چندلایه

با گسترش روزافزون سیستم های توزیع شده و افزایش حجم داده ها، روش های سنتی تحمل پذیری خطا که عمدتا بر افزونگی سخت افزاری متکی بودند، کارایی خود را از دست داده اند. این پژوهش رویکردهای نوین مبتنی بر هوش مصنوعی را ارائه می دهد که با عبور از راهکارهای واکنش گرا، به سمت پیش بینی خطا و ترمیم خودکار حرکت کرده اند. در این مقاله، یک طبقه بندی سه لایه شامل سطوح «زیرساخت»، «داده» و «مدل» معرفی می شود. نتایج نشان می دهد که ادغام شبکه های عصبی عمیق برای تحلیل لاگ های سیستمی و بهره گیری از پروتکل های یادگیری فدرال مقاوم، می تواند پایداری سیستم را هم در برابر خرابی های سخت افزاری و هم در برابر گره های مهاجم (خطاهای بیزانسی) تضمین کند.

کلیدواژه ها:

تحمل پذیری خطا ، سیستم های توزیع شده ، یادگیری عمیق ، یادگیری فدرال ، دفاع بیزانسی