یک روش هوشمند برای کاهش مصرف انرژی در جایابی سرویس رایانش مه مبتنی بر پیش بینی بارکاری و الگوریتم گرگ خاکستری

رایانش ابری، محاسباتی است که توسط گروهی از سرویس دهنده های از راه دور که با یکدیگر شبکه هستند انجام می گیرد. از آنجا که ماهیت برنامه های محیط ابری نسبت به زمان حساس هستند، برای اطمینان از زمان پاسخگویی کم برای ارائه برنامه های بلادرنگ و حساس به تاخیر نیاز به ارائه راهکاری مناسب احساس می شود. رایانش مه به لحاظ بستر شبکه، ذخیره سازی و خدمات سرویس را برای کاربر نهایی فراهم می نماید و به علت نزدیک بودن به کاربر و امکان توزیع جغرافیایی و پشتیبانی از تحرک مکمل خوبی برای لایه ابر می باشد. جایابی سرویس با هدف کیفیت بخشی ارائه سرویس و ایجاد تعادل بار یک چالش مهم و کلیدی است. از آنجا که مدل های ریاضی با افزایش فضای جستجو، مساله با افزایش متغیرها و محدودیت ها روبرو می شود، حل مساله جایابی سرویس با استفاده از روش های سنتی نیازمند صرف زمان بالایی است. در این مقاله از شبکه عصبی کانولوشنی (CNN) برای پیش بینی سرویس های مورد درخواست کاربران و از روش بهینه سازی گرگ خاکستری (GWO) برای استقرار بهینه سرویس در سلول های مه استفاده شد. عملکرد روش جایابی سرویس ارائه شده با مقایسه با سه روش جایابی سرویس در تحقیقات اخیر بر اساس پنج شاخص انرژی مصرفی، زمان سرویس، درجه عدم تعادل بار، تعداد وظایف انجام شده در مهلت مقرر و مجموع زمان تخطی از SLA تحلیل می گردد. نتایج پیاده سازی، کارآمدی و بهبود عملکرد رویکرد پیشنهادی را نسبت به سه روش دیگر اثبات می نماید.

کلیدواژه ها:

جایابی ، سرویس ، محاسبات مه ، پیش بینی بارکاری ، شبکه عصبی کانولوشن ، بهینه سازی گرگ خاکستری