ارائه یک چارچوب هوشمند برای بهبود توازن بار و کاهش تاخیر در سیستم های توزیع شده مبتنی بر یادگیری ماشین

در سال های اخیر سیستم های توزیع شده به عنوان یکی از زیرساخت های اساسی در حوزه فناوری اطلاعات مورد توجه گسترده قرار گرفته اند. این سیستم ها در کاربردهایی نظیر رایانش ابری، پردازش کلان داده، اینترنت اشیاء و سامانه های سرویس دهی در مقیاس بزرگ نقش مهمی ایفا می کنند. در چنین محیط هایی مجموعه ای از گره های پردازشی از طریق شبکه به یکدیگر متصل شده و به صورت هماهنگ وظایف مختلف را اجرا می کنند. یکی از مهم ترین چالش های این سیستم ها مدیریت منابع و توزیع مناسب بار کاری میان گره های پردازشی است. در صورتی که توازن بار به درستی انجام نشود، برخی از گره ها دچار ازدحام شده و در مقابل برخی دیگر از ظرفیت پردازشی خود به طور کامل استفاده نمی کنند. این مسئله می تواند باعث افزایش زمان پاسخ، کاهش توان عملیاتی و افت کیفیت خدمات ارائه شده به کاربران شود. الگوریتم های سنتی توازن بار مانند Round Robin و Least Connection معمولا بر اساس قوانین از پیش تعیین شده یا وضعیت لحظه ای سیستم تصمیم گیری می کنند. اگرچه این روش ها به دلیل سادگی پیاده سازی و سربار محاسباتی کم در بسیاری از سیستم ها مورد استفاده قرار گرفته اند، اما در محیط های پویا که بار کاری سیستم به طور مداوم تغییر می کند کارایی محدودی دارند. این الگوریتم ها توانایی پیش بینی شرایط آینده سیستم را ندارند و تنها بر اساس وضعیت فعلی منابع عمل می کنند، بنابراین در مواجهه با تغییرات ناگهانی بار کاری یا الگوهای پیچیده ترافیکی عملکرد بهینه ای ارائه نمی دهند. در این مقاله یک چارچوب هوشمند برای توازن بار در سیستم های توزیع شده ارائه شده است که از تکنیک های یادگیری ماشین برای پیش بینی بار کاری گره ها و تخصیص بهینه وظایف استفاده می کند. در چارچوب پیشنهادی، اطلاعات مربوط به وضعیت منابع سیستم شامل استفاده از پردازنده، مصرف حافظه، طول صف پردازش و تاخیر شبکه جمع آوری و پس از پیش پردازش به یک مدل یادگیری ماشین مبتنی بر الگوریتم Random Forest ارسال می شود. این مدل قادر است بار آینده گره ها را پیش بینی کرده و بر اساس آن مناسب ترین گره برای اجرای درخواست های جدید انتخاب شود. به منظور ارزیابی عملکرد روش پیشنهادی، آزمایش هایی در محیط شبیه سازی CloudSim انجام شده است. نتایج نشان می دهد که چارچوب ارائه شده در مقایسه با الگوریتم های سنتی توازن بار می تواند زمان پاسخ سیستم را کاهش داده و توزیع متعادل تری از بار کاری میان گره ها ایجاد کند. همچنین استفاده از مدل یادگیری ماشین باعث افزایش بهره وری منابع و سازگاری بهتر سیستم با تغییرات پویا در الگوهای ترافیکی می شود. در مجموع، نتایج این پژوهش نشان می دهد که به کارگیری روش های یادگیری ماشین می تواند راهکاری موثر برای بهبود عملکرد و کاهش تاخیر در سیستم های توزیع شده فراهم کند.

کلیدواژه ها:

سیستم های توزیع شده ، توازن بار ، یادگیری ماشین ، جنگل تصادفی ، رایانش ابری ، کاهش تاخیر