چارچوب مقیاس پذیری ترکیبی یکپارچه با سیاست برای کاربردهای بومی ابر با مشاهده پذیری بلادرنگ

کاربردهای بومی ابر مبتنی بر ریزخدمات و ارکستراسیون کانتینری، برای حفظ کارایی، کاهش هزینه و تضمین امنیت، نیازمند سازوکارهای مقیاس پذیری هوشمند و انطباق پذیر هستند. رویکردهای سنتی مقیاس پذیری خودکار اعم از افقی و عمودی غالبا بر آستانه های مصرف منابع تکیه داشته و فاقد یکپارچگی با سازوکارهای حاکمیتی و الزامات مقرراتی اند. در این پژوهش، چارچوبی ترکیبی و حاکمیت محور برای مقیاس پذیری خودکار در محیط های بومی ابر ارائه می شود که مقیاس پذیری افقی و عمودی را با مشاهده پذیری بلادرنگ، پیش بینی بار مبتنی بر یادگیری ماشین و اعتبارسنجی سیاست های امنیتی در یک حلقه کنترلی یکپارچه ادغام می کند. چارچوب پیشنهادی با بهره گیری از داده های پایش استخراج شده از سامانه های مشاهده پذیری و مدل های پیش بینی سری زمانی، تغییرات تقاضای منابع را پیش بینی می کند. پیش از اعمال هر تصمیم مقیاس پذیری، یک لایه حاکمیتی، انطباق تصمیم را با سیاست های امنیت اطلاعات و مقررات حفاظت از داده اعتبارسنجی می نماید تا از نقض الزامات امنیتی و مقرراتی جلوگیری شود. پیاده سازی و ارزیابی تجربی چارچوب در محیط مبتنی بر Kubernetes و سرویس Amazon EKS نشان داد که رویکرد ترکیبی نسبت به مقیاس پذیری صرفا افقی، زمان پاسخ را بهبود داده و در مقایسه با مقیاس پذیری صرفا عمودی، بهره وری منابع بالاتری ارائه می دهد. همچنین، ادغام سازوکار اعتبارسنجی سیاست منجر به کاهش معنادار نقض های امنیتی و بهبود قابلیت اطمینان سامانه شده است. نتایج پژوهش بیانگر آن است که تلفیق مقیاس پذیری ترکیبی با حاکمیت آگاه از سیاست و مشاهده پذیری بلادرنگ، می تواند راهکاری کارآمد برای مدیریت منابع در سامانه های بومی ابر نسل جدید فراهم آورد، راهکاری که به طور هم زمان عملکرد، هزینه و انطباق را بهینه می سازد.

کلیدواژه ها:

مقیاس پذیری ترکیبی ، حاکمیت ابری ، یادگیری ماشین ، پیش بینی بار کاری ، Kubernetes ، کاربردهای بومی ابر