چارچوبی مبتنی بر دوقلوی دیجیتال و یادگیری تقویتی عمیق برای افزایش تاب آوری سامانه های نرم افزاری ریز خدمات

سامانه های نرم افزاری ریز خدمات به دلیل ماهیت توزیع شده و پویای خود، به طور ذاتی در معرض انواع خطاها، نوسانات بارکاری و خرابی های جزئی قرار دارند. تضمین تاب آوری این سامانه ها در شرایط عملیاتی متغیر، یکی از چالش های اساسی در مهندسی نرم افزار مدرن محسوب می شود. روش های متداول مدیریت تاب آوری که عمدتا مبتنی بر قواعد ایستا و واکنشی هستند، در مواجهه با پیچیدگی و پویایی سامانه های ریز خدمات، از انعطاف پذیری و کارایی کافی برخوردار نیستند. در سال های اخیر یادگیری تقویتی عمیق به عنوان رویکردی نوین برای تصمیم گیری خودکار و سازگار در محیط های پیچیده مورد توجه قرار گرفته است. با این حال، آموزش مستقیم عامل های یادگیری در سامانه های واقعی به دلیل هزینه های بالا، مخاطرات عملیاتی و محدودیت داده های خطا، چالش برانگیز است. در این مقاله، چارچوبی نوین مبتنی بر ترکیب دوقلوی دیجیتال و یادگیری تقویتی عمیق برای افزایش تاب آوری سامانه های نرم افزاری ریز خدمات ارائه می شود. دوقلوی دیجیتال به عنوان یک نسخه مجازی با دقت بالا از سامانه واقعی، امکان شبیه سازی رفتار سامانه تحت سناریوهای متنوع خطا را فراهم کرده و بستری ایمن برای آموزش سیاست های کنترلی فراهم می آورد. مسئله مدیریت تاب آوری به صورت یک فرآیند تصمیم گیری مارکوف مدل سازی شده و از الگوریتم بهینه سازی سیاست مجاور برای یادگیری سیاست های بهینه سازگاری استفاده می شود. نتایج ارزیابی تجربی مبتنی بر یک بستر ریز خدمات مبتنی بر Kubernetes نشان می دهد که چارچوب پیشنهادی منجر به کاهش معنادار زمان بازیابی، افزایش دسترس پذیری سامانه و کاهش هزینه های تطبیق در مقایسه با رویکردهای پایه می شود. یافته ها حاکی از آن است که ترکیب دوقلوی دیجیتال و یادگیری تقویتی عمیق می تواند راهکاری موثر و عملی برای تحقق سامانه های ریز خدمات تاب آور فراهم آورد.

کلیدواژه ها:

تاب آوری ، دوقلوی دیجیتال ، یادگیری تقویتی عمیق ، سامانه های ریز خدمات ، سامانه های خودسازگار