رایانش گرید هوشمند: گرید و هوش مصنوعی در لایه میان افزار، چالش ها و رویکردها

رایانش گرید به عنوان یکی از الگوهای محاسباتی مهم در حوزه سامانه های توزیع شده، با هدف تجمیع، اشتراک گذاری و بهره برداری هماهنگ از منابع ناهمگون محاسباتی، ذخیره سازی و داده در محیط های گسترده توسعه یافته است (Foster et al., ۲۰۰۱؛ Berman, Fox, & Hey, ۲۰۰۳). در این معماری، میان افزار به عنوان لایه ای واسط میان زیرساخت و برنامه های کاربردی، نقش اساسی در پنهان سازی پیچیدگی های سامانه، مدیریت منابع، زمان بندی وظایف، تامین امنیت، تحمل خطا و پایش عملکرد ایفا می کند (Foster, ۲۰۰۲؛ جعفری و صادقی، ۱۳۹۹). از سوی دیگر، رشد داده های حجیم و توسعه مدل های پیشرفته هوش مصنوعی موجب شده است که آموزش و اجرای بسیاری از الگوریتم های یادگیری ماشین ، به ویژه یادگیری عمیق ، در بسترهای توزیع شده انجام شود (LeCun, Bengio, & Hinton, ۲۰۱۵؛ Goodfellow, Bengio, & Courville, ۲۰۱۶). در چنین شرایطی، چالش هایی نظیر مقیاس پذیری، همگام سازی پارامترها، مدیریت ارتباطات و تخصیص بهینه منابع از اهمیت بالایی برخوردار است (Dean et al., ۲۰۱۲؛ Li et al., ۲۰۲۰). هدف این مقاله، بررسی ابعاد مختلف ادغام رایانش گرید و هوش مصنوعی، تحلیل نقش میان افزار در این همگرایی، و تبیین رویکردهای هوشمند در مدیریت منابع، زمان بندی، پیش بینی بار و تصمیم گیری تطبیقی است. یافته ها نشان می دهد که میان افزار، فراتر از کارکردهای سنتی خود، می تواند با بهره گیری از روش های هوشمند مانند یادگیری ماشین، یادگیری عمیق، یادگیری تقویتی و سامانه های خبره ، به یک مولفه فعال، تطبیقی و پیش بین در معماری گرید تبدیل شود (Mahmud et al., ۲۰۱۸؛ محمدی و کریمی، ۱۴۰۱).

کلیدواژه ها:

رایانش گرید ، هوش مصنوعی ، میان افزار ، مدیریت منابع ، زمان بندی هوشمند