معماری خودسازمان ده مبتنی بر هوش جمعی و شبکه های عصبی گراف برای مدیریت منابع پویا در سیستم عامل های ابری چندلایه

رشد انفجاری حجم داده ها، گسترش محاسبات چندلایه و نیاز روزافزون به تاخیر بسیار پایین در کاربردهای حساس، سیستم عامل های ابری سنتی را با چالش های جدی مواجه کرده است. این سیستم ها که عمدتا بر کنترل کننده های مرکزی و سیاست های ایستا تکیه دارند، در محیط های پویا و توزیع شده قادر به مدیریت بهینه منابع، کاهش مصرف انرژی و حفظ پایداری نیستند. مصرف بالای انرژی، تاخیر تصمیم گیری و عدم تحمل خطا از مهم ترین محدودیت های مدل های موجود مانند Kubernetes و OpenStack محسوب می شوند. این پژوهش با هدف رفع این کاستی ها، معماری خودسازمان ده نوینی مبتنی بر هوش جمعی و شبکه های عصبی گراف طراحی کرده است. در مدل پیشنهادی، هر نود ابری به عنوان عاملی هوشمند عمل کرده و با تعامل محلی با همسایگان، تخصیص منابع، مهاجرت بار کاری و مدیریت انرژی را به صورت توزیع شده انجام می دهد. هوش جمعی امکان تصمیم گیری سریع و محلی را فراهم می کند، در حالی که شبکه های عصبی گراف روابط پیچیده و وابستگی های شبکه ای بین منابع محاسباتی، ذخیره سازی و ارتباطی را به دقت مدل سازی و پیش بینی می نماید. نتایج شبیه سازی گسترده با ابزار CloudSim و پیاده سازی شبکه های عصبی گراف در سناریوهای واقعی با بار کاری متغیر نشان داد که معماری پیشنهادی نسبت به مدل های پایه بهبودهای قابل توجهی ایجاد کرده است: ۳۴ درصد کاهش مصرف انرژی، ۴۵ درصد کاهش میانگین تاخیر پاسخ دهی، ۲۹ درصد افزایش نرخ تحمل خطا و ۲۶ درصد بهبود کلی بهره وری منابع. این رویکرد نه تنها نقطه شکست مرکزی را حذف می کند، بلکه با تصمیم گیری توزیع شده و یادگیری پیوسته، انعطاف پذیری و scalability بالایی در محیط های ابری هیبریدی فراهم می آورد. چارچوب پیشنهادی می تواند پایه ای محکم برای توسعه نسل آینده سیستم عامل های ابری هوشمند، سبز و خودگردان باشد و راهکاری عملی برای چالش های مقیاس پذیری و پایداری در رایانش ابری ارائه دهد.

کلیدواژه ها:

سیستم عامل ابری ، هوش جمعی ، شبکه های عصبی گراف ، خودسازمان دهی ، مدیریت منابع پویا ، محاسبات لبه ای ، رایانش سبز